Score-Based Change-Point Detection and Region Localization for Spatio-Temporal Point Processes
Carnegie Mellon University（卡内基梅隆大学）；University of Minnesota（明尼苏达大学）
本文提出一种基于评分的时空点过程变化点检测方法，能够实时定位变化发生的空间区域，提供理论保证和实证验证。
2026-02-04 stat.ME stat.ML
Change Point Detection with Copula Entropy based Two-Sample Test
Hitachi China Research Laboratory（日立中国研究实验室）
本文提出一种基于Copula熵双样本检验的非参数多元变点检测方法，结合二元分割策略实现多变点检测，并在模拟数据和尼罗河数据上验证了其有效性。
2024-02-03 cs.LG stat.ME
Bivariate change point detection: joint detection of changes in expectation and variance
提出了一种变点检测方法。本文考虑一个单变量独立随机变量序列，其期望值和方差均为分段常数，除此之外，其分布可以周期性变化。我们的目标是检测期望和方差的变化点。为此，我们提出了一个统计测试的原假设无变化点和算法的变化点检测。两者都是基于一个双变量移动和方法，共同评估的均值和经验方差。与单独的单变量方法相比，联合考虑有助于改善推断。我们有信心地推断变化的强度和类型。非参数方法支持对不同数据的分析。此外，多尺度方法解决了变化点和影响中的复杂模式。我们通过理论结果和仿真研究证明了性能。讨论了配套的R包jcp（可在CRAN上获得）。
2021-06-21 math.ST stat.ME stat.TH
Change-point detection in functional time series: Applications to age-specific mortality and fertility
针对年龄别死亡率与生育率曲线的函数时间序列变点检测问题，提出函数累积和统计量、基于函数模型预测误差序列的两种检测方法，经澳大利亚数据验证可定位变点并确定最优训练周期以提升预测精度。
2024-11-01 stat.AP stat.ME
Optimal Sub-sampling to Boost Power of Kernel Sequential Change-point Detection
我们提出了一种新的方案，以提高检测能力的内核最大均值差异为基础的顺序变点检测程序。我们所提出的方案的特点是在检测过程之前对历史数据进行最佳子采样，以解决从巨大的历史数据中随机子采样所引起的功率损失。我们将我们提出的计划扫描$B$和内核累积和（Kernel Cumulative Sum，KCUM）程序，并从大量的数值实验中观察到改进的性能。
2023-01-14 stat.ME stat.ML
Rough-Fuzzy CPD: A Gradual Change Point Detection Algorithm
变点检测是当时间序列的分布发生显著变化时，发现时间序列数据中的突变或渐变的问题。有许多复杂的统计算法来解决变点检测问题，虽然没有太多的工作致力于逐步变点相比，突变的。在这里，我们提出了一种新的方法来解决变点检测问题，利用模糊粗糙集理论，它是能够检测这种逐渐变化的点。变点的粗糙模糊估计的表达式推导出与快速计算有关的数学性质。在一个统计假设检验框架下，在允许多个变点检测的原假设下，推导出单个和多个变点上的拟议统计量的渐近分布。已经进行了广泛的模拟研究，以探讨如何简单的粗糙的统计措施的差距，可以提高他们的效率，估计逐渐变点。此外，所述粗模糊估计对信噪比、真变点中的高度模糊性以及超参数值具有鲁棒性。仿真结果表明，该方法优于其他模糊方法，也流行的明确的方法，如WBS，PELT和BOCD在检测渐变点。使用包括Covid-19在内的多个真实数据集证明了估计的适用性。我们已经开发了python软件包“roufcp”，以便更广泛地传播这些方法。
2020-10-10 stat.AP stat.ME
Inductive Conformal Martingales for Change-Point Detection
我们考虑在数据流中的最快变点检测的问题。经典的变点检测方法，如DSPUM、Shiryaev-Roberts和后验概率统计等，只有在已知变点模型的情况下才是最优的，而这在典型的应用问题中是不切实际的假设。相反，我们提出了一种新的方法的基础上归纳共形鞅的变点检测，它只需要独立和相同的分布的观察。我们将所提出的方法与标准方法以及变点检测预言机进行比较，当我们只有关于变化前和变化后数据分布的不精确（尽管是参数）信息时，该方法模拟了一个典型的实际情况。比较结果表明，基于归纳共形鞅的变点检测是一种有效的工具，能够在相当一般的条件下工作，不同于传统的方法。
2017-06-11 stat.CO stat.ME stat.ML
A series expansion formula of the scale matrix with applications in change-point detection
我们引入了一种新的Levy涨落理论方法来分析序列变点检测中的累积和（Cumulative sum，CSUM）过程。当观测值服从位相型分布，且变化后分布由其变化前分布的指数倾斜给出时，可将观测值的首达分析归结为一个马尔可夫可加过程的首达分析.我们开发了一个新的级数展开公式的规模矩阵的马尔可夫加性过程的有限活动，并应用它来获得精确的表达式的平均游程长度，平均检测延迟，和虚警概率下的CRACUUM程序。
2022-09-06 math.OC stat.ME
Detecting Multiple Change Points in Distributional Sequences Derived from Structural Health Monitoring Data: An Application to Bridge Damage Detection
提出基于Wasserstein空间和Fréchet统计量的MOSUM分布变点检测方法，用于结构健康监测中的桥梁损伤检测，模拟和实测数据验证其有效性。
2024-03-20 stat.AP stat.ME
High dimensional change-point detection: a complete graph approach
Humboldt University Berlin（柏林洪堡大学）；Max Planck Institute for Mathematics in the Sciences（马克斯·普朗克数学科学研究所）；Weierstrass Institute（魏尔斯特拉斯研究所）；HSE（高等经济学院）
在线变点检测的目的是为了准确、及时地发现结构突变。随着数据维度的增长超过了观测数据的数量，在线检测变得具有挑战性。现有的方法通常只测试均值的变化，忽略了方差变化的实际方面。我们提出了一个完整的基于图的，变点检测算法检测的变化，从低到高维的在线数据与可变扫描窗口的均值和方差。受完全图结构的启发，我们引入图生成率将高维数据映射到度量，然后统计测试是否发生均值变化或方差变化。理论研究表明，我们的方法具有理想的关键属性，是强大的规定的错误概率。我们证明，这个框架优于其他方法的检测能力。我们的方法具有较高的检测能力与小和多个扫描窗口，这使得在线设置中的变化点的及时检测。最后，我们将该方法应用于金融数据，以检测标准普尔500指数股票的变点。
2022-03-16 cs.LG stat.ME stat.ML
A review on minimax rates in change point detection and localisation
本文综述了变点分析的基本极限和最优算法的最新进展。我们专注于变点检测和本地化，在参数和非参数模型中的最小最大最优速率。我们从单变量均值变点分析问题开始，并回顾了文献中最先进的结果。然后，我们转向更复杂的数据类型，并研究导致最小最大速率最优结果的最佳过程背后的一般原则。
2020-11-03 math.ST stat.ME stat.TH
Minimax rates for sparse signal detection under correlation
我们充分刻画了非渐近极小极大分离率稀疏信号检测在高斯序列模型与$p$ equicorrelated意见，推广的结果Collier，Comminges，和Tsybakov。作为速率表征的结果，我们发现强相关性是一种祝福，适度相关性是一种诅咒，弱相关性是无关紧要的。此外，产生祝福的阈值相关水平在$\sqrt{p}$和$p-\sqrt{p}$稀疏水平处表现出相变。我们还建立了一个微妙的依赖于相关水平的极小极大分离率的新的相变的出现。此外，我们研究组结构相关性，并推导出一个模型，包括多个随机效应的极大极小分离率。群结构从根本上改变了等相关情形的检测问题，分离率出现了不同的现象。
2021-10-25 math.ST stat.ME stat.TH
Pi-Change: A Prior-Informed Multiple Change Point Detection Algorithm
Department of Biostatistics（生物统计学系）；Virginia Commonwealth University（弗吉尼亚 Commonwealth 大学）
Pi-Change算法通过引入时间变化的惩罚项整合先验信息，提升多变化点检测的准确性与鲁棒性，尤其在处理异质机制或已知外部事件时表现突出。
2026-05-01 cs.LG eess.SP stat.ME
Online Graph-Based Change-Point Detection for High Dimensional Data
Humboldt University Berlin（柏林洪堡大学）；Weierstrass Institute Berlin（柏林魏尔斯特拉斯研究所）
在线变点检测（OCPD）对于金融、生物和物联网（IoT）等各个领域的应用都很重要。然而，OCPD面临着巨大的挑战，由于高维，它仍然很少在文献中研究。在本文中，我们提出了一种新的，在线的，基于图形的，变点检测算法来检测低到高维数据的分布变化。我们引入了一个相似性度量，这是来自图的跨越比，统计测试，如果发生变化。通过使用人工在线数据集的数值研究，我们的数据驱动的方法表现出高检测能力的高维数据，而误报率（第一类错误）被控制在名义上的显着水平。特别是，我们的图跨越方法具有理想的功率与小和多个扫描窗口，它允许及时检测在线设置中的变点。
2019-06-07 cs.LG stat.ME stat.ML
Adversarially robust change point detection
变点检测在许多应用领域中变得越来越流行。一方面，大多数理论上合理的方法都是在没有模型违规的理想环境中进行研究的，或者仅仅对时间上相同的重尾噪声分布和/或孤立的离群值具有鲁棒性;另一方面，我们知道来自对手的攻击呈指数增长，他们可能会对数据造成系统性污染，故意创建虚假的变化点或掩盖真实的变化点。鉴于及时需要一个变化点检测方法，是强大的对抗对手，我们开始，可以说，最简单的单变量均值变化点检测问题。对抗性攻击是通过Huber $\varepsilon$ -污染框架制定的，该框架特别允许污染分布在每个时间点都不同。在本文中，我们证明了相变现象的变化点检测。该检测边界是污染比例$\varepsilon$的函数，并且在文献中首次示出。此外，我们推导出最小最大速率最优定位误差率，量化的污染比例方面的准确性的成本。我们提出了一个计算上可行的方法，匹配极大极小下限在一定条件下，节省对数因子。大量的数值实验进行了比较，强大的变点检测方法在现有的文献。
2021-10-24 math.ST stat.ME stat.TH
Selective review of offline change point detection methods
本文提出了一个选择性调查的算法离线检测多变量时间序列中的多个变化点。采用了一种一般性但结构化的方法战略来组织这一庞大的工作机构。更确切地说，在这篇评论中考虑的检测算法的特点是由三个要素：成本函数，搜索方法和变化的数量上的约束。对其中每一个要素都分别进行了说明、审查和讨论。本文中描述的主要算法的实现在一个名为ruptures的Python包中提供。
2020-03-26 cs.CE stat.CO stat.ME
Change-point detection in dynamic networks via graphon estimation
我们提出了一种通用的方法在动态网络中的变点检测。所提出的方法是无模型的，并涵盖了广泛的动态网络。我们的方法背后的关键思想是有效地利用网络结构设计变点检测算法。这是通过图子估计的初始步骤来完成的，在这里我们提出了一个改进的邻域平滑算法来估计动态网络的链路概率矩阵。在初始图子估计的基础上，提出了一种动态网络多变点检测的筛选和阈值算法。的收敛速度和一致性的变化点检测过程中，以及MMBS。当节点的数量很大时~（例如，超过时间点的数量），我们的方法产生更快的收敛速度，在检测变化点相比，简单地采用平均信息的动态网络在整个时间的算法。数值实验表明，所提出的算法的鲁棒性能的变化点检测在各种类型的动态网络，并观察到优于现有的方法。一个真实的数据例子来说明该程序的有效性和实际影响。
2019-08-05 math.ST stat.ME stat.TH
State-domain Change Point Detection for Nonlinear Time Series Regression
时间序列中的变化点检测已经引起了人们的极大兴趣，但是现有的大多数结果都集中在检测时域中的变化点。本文研究非线性时间序列在状态域中存在潜在变点的情况。我们应用密度加权反对称核函数的状态域，因此提出了一个非参数的程序来测试存在的变化点。当变点的存在是肯定的，我们进一步介绍了一个算法来估计的变点的数量和它们的位置。给出了所提出的检测和估计过程的理论结果，并使用一个真实的数据集来说明我们的方法。
2021-11-19 eess.SP math.ST stat.ME
Sequential Changepoint Detection in Neural Networks with Checkpoints
DeepMind（深度思维）
我们介绍了一个在线变点检测和同步模型学习的框架，该框架适用于高度参数化的模型，如深度神经网络。它基于通过顺序执行广义似然比检验来检测时间上的变点，该检验仅需要简单预测得分函数的评估。该过程使用检查点，由实际模型参数的早期版本组成，允许通过对未来数据进行预测来检测分布变化。我们定义了一个算法，在序贯测试过程中的第一类错误的界限。我们证明了我们的方法在具有未知任务变点的具有挑战性的持续学习应用程序中的效率，并且与在线贝叶斯变点检测相比，表现出更好的性能。
2020-10-06 cs.AI cs.LG stat.CO
Optimal detection of general moment changes: Simultaneous mean and covariance change detection and beyond
University of Notre Dame（圣母大学）；University of California, San Diego（加利福尼亚大学圣地亚哥分校）；Auburn University（奥本大学）；Washington University in St. Louis（华盛顿大学圣路易斯分校）
本文提出一种基于张量表示的统一方法，用于检测多元时间序列中高达固定阶数的所有矩变化，实现与极小极大下界匹配的定位误差率，并验证了其有效性。
2026-09-30 math.ST stat.ME stat.ML
Optimal multiple change-point detection for high-dimensional data
这份手稿作出了两个贡献领域的变点检测。在一个generalchange-point设置，我们提供了一个通用的算法，用于聚合本地homogeneity testsinto一个时间序列中的变点的估计。有趣的是，我们建立了测试集合的错误率直接转化为变化指针的检测属性。这个通用的计划，然后适用于各种问题，包括协方差变点检测，非参数变点检测和稀疏多元均值变点检测。对于后者，我们推导出Minimax最优速率，当噪声为高斯噪声时，该速率自适应于未知稀疏度和变点之间的距离。forsub-Gaussian噪声，我们介绍了一个变种，是最佳的，在几乎所有的稀疏制度。
2022-12-08 math.ST stat.TH
An Asymptotic Theory of Joint Sequential Changepoint Detection and Identification for General Stochastic Models
研究了一般随机模型的序列变点检测和识别/隔离问题，假设观测数据是相依的、非同分布的，变点的先验分布是任意的，变点后的假设是复合的.所开发的检测识别理论将Tartakovsky（2019）开发的变点检测理论推广到多个复合变化后假设的情况，此时不仅要尽快检测到变化，还要识别（或隔离）真正的变化后分布。我们提出了一个多假设的变化检测识别规则，并表明它是接近最优的，最小化时刻的延迟检测的误报概率和误判的概率为零。
2021-03-03 math.PR math.ST stat.TH
A Review of Changepoint Detection Models
Point Zero One Technology（点零一科技）；University of Hong Kong（香港大学）；Imperial College London（帝国理工学院）；University of California, Berkeley（加州大学伯克利分校）
变点检测的目的是发现隐藏在时间序列数据背后的属性突变。本文首先概述了变点检测的定义和内涵。下一阶段是阐述传统的和一些替代的基于模型的变点检测算法。最后，我们尝试在理论上做进一步的探讨，并展望未来的研究方向。
2019-08-20 cs.LG q-fin.TR stat.ML
Some results on change-point detection in cross-sectional dependence of multivariate data with changes in marginal distributions
随机向量法则中的断点检测测试已经在几篇论文中提出。然而，他们往往很少权力的替代品涉及的变化之间的依赖关系的向量。在最近的论文中已经提出了用于检测随机向量的copula的变化的具体测试，但是它们不允许在没有保证金恒定的条件下得出依赖结构的变化的结论。本文的目的是提出一个测试时，在边缘分布的变化发生在一个已知的时刻，在Copula的检测中断。该测试的性能说明了Monte Carlo模拟。
2016-03-25 math.ST stat.TH
Differentially Private Change-Point Detection
Georgia Institute of Technology（佐治亚理工学院）；University of Richmond（里士满大学）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）
变点检测问题试图识别数据流中未知变点k * 处的分布变化。这个问题出现在许多涉及个人数据的重要实际设置中，包括生物监视、故障检测、金融、信号检测和安全系统。差分隐私领域提供了数据分析工具，可以提供强大的最坏情况隐私保证。本文从差分隐私的角度研究了变点检测的统计问题。我们给出了在线和离线变点检测的私有算法，从理论上分析了这些算法，并对我们的结果进行了实证验证。
2018-08-29 cs.DS cs.LG math.ST
Hierarchical Change-Point Detection for Multivariate Time Series via a Ball Detection Function
随机目标序列来源于许多实际应用，包括高通量的组学数据和功能成像数据。这些序列通常是相依的、非线性的、甚至是非欧的，在巴拿赫空间或度量空间中，这类相依序列的变点检测是一个重要的问题。该问题通常不仅需要准确推断是否发生了变化，而且还需要准确推断变化发生时的位置。为此，我们首先介绍了球检测功能，并表明，它达到最大值的变化点，如果一个序列只有一个变化点。此外，我们提出了一个一致的估计球检测功能的基础上，我们开发了一个分层算法来检测所有可能的变化点。我们证明了估计的变点位置是一致的。我们的程序可以估计的数量变化点，并检测其位置，而不假设任何特定类型的变化点，因为变化可以发生在一个序列中以不同的方式。对两个有趣的真实数据集风向和比特币价格的广泛模拟研究和分析表明，我们的方法比现有的竞争对手具有相当大的优势，特别是当数据是非欧几里德或方差存在分布变化时。
2019-06-26 math.ST stat.TH
Online Change Points Detection for Linear Dynamical Systems with Finite Sample Guarantees
Purdue University（普渡大学）
针对具有未知动态和多个变点的线性动力系统，提出一种带数据依赖阈值的在线变点检测方法，给出虚警概率和检测概率的有限样本界，并指导最小变化间隔以保证检测。
2023-11-30 cs.LG cs.SY eess.SY
Long signal change-point detection
空间或时间有序数据序列中的变点检测是遗传学和金融等领域的一个重要问题。我们得出的渐近分布的统计最近建议检测变点。模拟其估计的极限分布导致一个新的和计算效率高的变点检测算法，它可以用于非常长的信号。我们通过模拟和以前基准的真实世界的数据集评估算法。
2015-09-30 math.ST stat.AP stat.TH
A backward procedure for change-point detection with applications to copy number variation detection
变点检测是近年来研究的热点之一，它可以用来分析基因芯片或测序数据以检测拷贝数变异。在这样的应用中，真实信号通常非常短并且隐藏在长数据序列中，这使得有效且准确地识别变化具有挑战性。在这篇文章中，我们提出了一种新的变点检测方法，一个向后的过程，这不仅是快速和简单的，足以利用高维数据，但也表现得很好，检测短信号。虽然CNV检测的动机，向后的程序通常适用于各种科学应用中出现的各种变点问题。仿真和实际CNV数据表明，后向检测与其他竞争方法相比具有明显的优势，特别是当真信号较短时。
2019-08-18 stat.AP
Online change-point detection for a transient change
我们考虑一个流行的在线变点问题，检测i.i.d.分布的瞬态变化。随机变量。针对这一变点问题，给出了几种变点求解方法，并对其中一种方法的一些先进结果进行了综述。提供了一些新的近似的平均游程长度虚警和功率的这些程序用于检测一个正常的随机变量序列的平均值的瞬态变化进行了比较。
2021-04-06 math.ST stat.TH
Asymptotically Optimal Pointwise and Minimax Change-point Detection for General Stochastic Models With a Composite Post-Change Hypothesis
一个加权Shiryaev-罗伯茨变化检测过程中示出，以近似最小化的预期延迟检测以及较高的时刻的检测延迟之间的所有变化点检测程序与给定的低最大局部概率的虚警在一个窗口内的一个固定长度的逐点和极大极小设置一般非独立同分布。数据模型和变更后参数未知时的复合变更后假设。我们建立了非常一般的条件下，加权Shiryaev-Roberts程序是渐近最优的模型。这些条件是根据强大数律中收敛速率对“变化”假设和“不变”假设之间的对数似然比来表示的，并且我们还为一大类遍历马尔可夫过程提供了充分条件.给出了这些条件成立的例子。
2019-09-02 math.PR math.ST stat.TH
Network topology change-point detection from graph signals with prior spectral signatures
Rice University（莱斯大学）
本文研究了从图信号中检测序列图拓扑变点的问题。我们假设图的节点上的信号通过图过滤模型由底层图结构正则化，然后我们利用该模型将图拓扑变点检测问题提取为子空间检测问题。我们演示了如何将先验信息的光谱签名的变化后的图形可以隐式地去噪所观察到的序列数据，从而导致一个自然的基于AUCUM的算法的变点检测。数值实验说明了我们提出的方法的性能，特别是强调（潜在的噪声）先验信息的好处。
2020-10-21 cs.LG eess.SP stat.ML
Detection and Estimation of Multiple Transient Changes
变点检测方法提出的情况下，暂时的故障，或瞬态变化，当一个意想不到的障碍，最终由一个重新调整，并返回到初态。“控制中”状态的基本分布在未知的时间段内变为“失控”分布。基于似然法的顺序和回顾性的工具，提出了每对变化点的检测和估计。获得的变点估计的准确性进行了评估。建议的方法提供同时控制familywise误报率和错误的重新调整率在预先选定的水平。
2021-12-12 math.ST stat.TH
Retrospective change-point detection and estimation in multivariate linear models
本文研究了多元线性模型的回溯变点检测与估计问题。证明了在不同情况下（一个变点：确定性和随机预报，多个变点）变点点估计误差的下界。提出了一种新的回溯性变点检测与估计方法，并研究了在确定性和随机性预报变量以及未知变点情况下，回溯性变点检测与估计方法的主要性能特征（第1类和第2类误差，估计误差）。当样本量趋于无穷大时，我们通过变点估计收敛到其真值的阶证明了该方法是渐近最优的。所提出的方法的主要性能特点的仿真研究结果与其他知名的方法的回顾性变点检测和估计。
2011-10-26 math.ST stat.TH
Sequential change-point detection: Computation versus statistical performance
本文从计算与统计能力权衡的新视角，综述经典及近期考虑内存效率与鲁棒性的非参数序贯变点检测方法，并总结可用于新程序分析的经典性能分析技术。
2023-06-01 math.ST stat.TH
Dynamic change-point detection using similarity networks
从一系列的相似性网络，与边缘代表节点之间的某些相似性措施，我们感兴趣的是检测一个变化点，改变网络的统计特性。在改变之后，异常节点的子集与正常节点进行不同的比较。研究了一种简单的基于节点平均相似性测度的序列变化检测方法，并对其理论性质进行了研究。仿真和实际数据的例子表明，这种简单的停止过程具有相当好的性能。我们进一步讨论了故障传感器隔离（估计异常节点）使用社区检测。
2016-12-05 math.ST stat.ML stat.TH
Correlation-aware Unsupervised Change-point Detection via Graph Neural Networks
Carnegie Mellon University（卡内基梅隆大学）
变点检测（CPD）旨在检测时间序列数据的突变。直观的，有效的CPD多变量时间序列应该需要明确的建模的依赖关系，跨输入变量。然而，现有的CPD方法要么完全忽略依赖结构，要么依赖于（不切实际的）假设，即相关结构随时间是静态的。在本文中，我们提出了一个相关感知的CPD动力学模型，显式模型的相关结构和动态的变量，将图神经网络到一个编码器-解码器框架。在合成数据集和真实数据集上的大量实验表明，所提出的模型在强基线上对CPD任务的优越性能，以及将变点分类为相关变化或独立变化的能力。关键词：多元时间序列，变点检测，图神经网络
2020-09-13 cs.LG stat.ML
Sequential Subspace Change-Point Detection
我们认为在线监测的多变量流数据的变化，其特征在于一个未知的子空间结构中表现出的协方差阵。特别地，我们考虑协方差结构的变化，从一个单位矩阵未知的尖峰协方差模型。我们假设变化后的分布是未知的，并提出了两个检测过程：最大特征值Shewhart图和子空间的检测过程。我们给出了最大本征值Shewhart图的平均运行长度（ARL）和预期检测延迟（EDD）的理论近似值，并提供了子空间-CUSUM过程参数调整的分析。所提出的方法的性能示出使用模拟和真实数据的人体姿态检测和地震事件检测。
2021-04-09 math.ST stat.TH
Sequential change-point detection for generalized Ornstein-Uhlenbeck processes
Trent University（特伦特大学）；United Arab Emirates University（阿联酋大学）；HEC Montréal（蒙特利尔高等商学院）
本文提出两种方法用于广义奥恩斯坦-乌尔申贝克过程的序贯变化点检测，并通过数值实验评估其性能。
2025-12-26 math.ST stat.TH
A Binning Approach to Quickest Change Detection with Unknown Post-Change Distribution
最快检测分布变化的问题被认为是在假设变化前的分布是已知的，和变化后的分布只知道属于一个家庭的分布区别于离散化版本的变化前的分布。提出了一种顺序变化检测过程，该过程将样本空间划分为有限数量的箱，并监视落入这些箱中的每个箱中的样本的数量以检测变化。提出了一种近似广义似然比检验的检验统计量。结果表明，建议的检验统计量可以有效地计算使用递归更新计划，并提供了一个程序，用于选择在该计划中的箱数。各种渐近性质的检验统计量推导出的平均检测延迟和平均游程长度之间的性能权衡虚警的见解。对合成数据和真实数据的测试表明，我们的方法在性能上与现有的非参数变化检测方法相当或更好。
2018-11-02 cs.IT math.IT stat.AP
Sequential change-point detection when unknown parameters are present in the pre-change distribution
在顺序变化点检测文献中，大多数研究指定了在给定的变化前分布$f_θ$下所需的虚警频率，并试图最小化每个可能的变化后分布$g_λ$的检测延迟。在本文中，一些实际的例子，我们首先考虑相反的问题，指定所需的检测延迟在一个给定的变化后的分布，并试图尽量减少误报的频率为每一个可能的变化前的分布$f_θ$。我们提出了渐近最优的单参数指数族的程序。接下来，我们开发了一个通用的理论变点的问题时，都变化前的分布$f_θ$和变化后的分布$g_λ$涉及未知参数。我们还将我们的方法应用于检测独立正常观测值均值变化的特殊情况。
2006-05-15 math.ST stat.TH
First-order optimal sequential subspace change-point detection
我们考虑顺序变点检测问题的检测变化，其特征在于由一个子空间结构。这样的改变在改变对应的协方差阵的形式的高维流数据中是频繁的。在这项工作中，我们提出了一个子空间的最优过程，并证明其一阶渐近最优性的情况下，子空间结构是未知的，需要同时估计。为了实现这一目标，我们开发了一个合适的分析方法，其中包括一个适当的参数最优化的检测方案。数值模拟证实了我们的理论研究结果。
2018-06-28 math.ST stat.TH
ruptures: change point detection in Python
ruptures是一个用于离线变化点检测的Python库。该软件包提供了非平稳信号的分析和分割方法。实现的算法包括各种参数和非参数模型的精确和近似检测。ruptures通过提供一个记录良好且一致的界面，专注于易用性。此外，由于其模块化结构，不同的算法和模型可以在该软件包中连接和扩展。
2018-01-02 cs.MS stat.CO
Sequential detection of low-rank changes using extreme eigenvalues
研究了信号协方差阵突变的检测问题。特别地，协方差从“白色”单位矩阵变为未知的尖峰或低秩矩阵。基于样本协方差阵的最大和最小特征值，提出了两种序贯变点检测方法。为了控制虚警率，我们提出了一个准确的理论近似的平均运行长度（ARL）和预期的检测延迟（EDD）的检测，利用极端的特征值分布从随机矩阵理论和捕获一个不可忽略的时间相关性的扫描统计序列由于滑动窗口的方法。真实数据的例子表明，我们的方法检测一个群体的行为变化的良好性能。
2017-06-15 math.ST stat.ML stat.TH
Change Detection with Compressive Measurements
最快变化点检测涉及检测序列中的统计变化，同时最小化受虚警约束的检测延迟。在本文中，变点检测的问题进行了研究时，决策者只能获得压缩测量。首先，Shiryaev的过程与压缩测量的平均检测延迟的表达式推导出在渐近制度的虚警概率为零。其次，延迟对压缩比和信噪比的依赖性被明确量化。在各种感知矩阵构造下，包括高斯系综和随机投影，研究了有压缩和无压缩的延迟比。对于一个目标比例的延迟后，压缩前，测量的数量，以满足这一目标与预先指定的概率推导出一个充分条件。
2014-04-11 cs.IT math.IT math.ST
Change Point Detection for Compositional Multivariate Data
变点检测算法在科学和经济重要性领域有许多应用。本文研究了组合多元数据（每个样本是一个概率质量函数）的变点检测问题，这是一般多元数据的一个重要子类。虽然变点检测问题在单变量环境中得到了很好的研究，并且对于一般的多变量数据很少有可行的实现，但是现有的方法在成分数据上表现不佳。在本文中，我们提出了一个参数化的方法来检测成分数据中的变点。此外，使用简单的数据转换，我们扩展我们的方法来处理任何一般的多变量数据。实验上，我们表明，我们的方法在成分数据上表现得更好，并且与现有的最先进的实现相比，在一般数据上具有竞争力。
2019-01-11 stat.AP
Change-point detection using the conditional entropy of ordinal patterns
本文主要研究仅利用时间序列的序结构进行变点检测。介绍并研究了一种基于有序模式的条件熵的统计量，该统计量表征了时间序列的局部上下波动。该统计量只需要对给定数据的最小先验信息，并在数值实验中表现出良好的性能。
2017-07-15 math.ST stat.TH
Quickest Change Detection in the Presence of a Nuisance Change
在最快的变化检测问题中，其中可能发生的滋扰和关键的变化，其目标是尽可能快地检测到的关键变化，而不发出警报时，无论是没有变化或滋扰的变化已经发生。提出了一种基于广义似然比检验统计量的窗口受限序列变化检测方法。一个递归的更新计划建议的检验统计量的发展，并证明是渐近最优的温和的技术条件下。在变化后的分布属于一个参数化的家庭的情况下，广义的停时和下界的平均运行长度推导。建议的停止规则相比，FMA停时和天真的2阶段的程序，检测的滋扰或关键的变化，使用单独的CuSum停止程序的滋扰和关键的变化。仿真结果表明，该规则优于FMA停时和2阶段的过程，和一个真实的数据集上的轴承故障实验验证了所提出的停时的性能。
2019-07-14 math.ST stat.TH
Change point detection based on method of moment estimators
提出了一种利用矩估计量的变点检测方法。检验统计量基于适当的$Z$过程。在原假设和备择假设下建立了该过程的渐近性态，并证明了检验的相合性。给出了变点的估计量，并证明了其相合性。文中给出了这种方法应用于参数族随机变量的一些例子。
2020-10-07 math.ST stat.TH
Volatility change point detection for linear parabolic SPDEs
Graduate School of Engineering Science, The University of Osaka（大阪大学工学研究科）；Center for Mathematical Modeling and Data Science (MMDS), The University of Osaka（大阪大学数学建模与数据科学中心）；Graduate School of Maritime Sciences, Kobe University（神户大学海事科学研究科）；CREST, Japan Science and Technology Agency（日本科学技术振兴机构创造型研究支援项目）
本文提出了一种基于高频数据检测线性抛物型随机偏微分方程中波动突变点的统计方法，并通过理论分析和数值实验验证了其有效性。
2025-12-01 math.ST stat.TH
High-dimensional change-point detection with sparse alternatives
我们考虑的问题，检测高斯向量序列中的平均值的变化。在备择假设下，变化仅发生在向量分量的某个子集中。我们提出了一个测试的存在下的一个变点，是自适应的变化组件的数量。在向量维数趋于无穷大且序列长度增长慢于信号维数的假设下，得到了该问题的检测边界，并证明了其速率最优性。
2014-02-26 math.ST stat.TH
Change detection in the Cox-Ingersoll-Ross model
我们提出了一个变化检测方法的著名的Cox-Ingersoll-Ross模型。该模型广泛应用于金融数学中，因此检测其参数的变化至关重要。我们开发的过程中的漂移参数的单侧和双侧测试程序。检验过程是基于离散时间最小二乘估计激励的估计，其渐近分布不变假设下是布朗桥。证明了该检验的渐近弱相合性，并在变点在某一时刻发生变化的备择假设下，得到了变点估计的渐近性质。
2015-02-25 math.PR math.ST stat.TH
Quickest Change Detection with Leave-one-out Density Estimation
考虑了独立观测序列中的最快变化检测问题。假设变更前分布已知，而变更后分布完全未知。一个窗口有限的留一法（LOO）CuSum测试，它不假设任何知识的变化后的分布，并且不需要任何变化后的训练样本。结果表明，在一定的收敛条件下的密度估计，LOO-CuSum测试是一阶渐近最优的，虚警率为零。分析通过数值结果进行验证，其中LOO-CuSum测试与具有分布知识的基线测试进行比较。
2022-11-04 eess.SP math.ST stat.TH
State-of-the-Art in Sequential Change-Point Detection
我们提供了一个概述的国家的最先进的顺序变点检测领域假设离散时间和已知的前和后变化分布。概述涵盖了基本最优化问题的所有主要公式，即贝叶斯，广义贝叶斯和极大极小。我们特别关注每个领域的最新进展。此外，我们链接在一起的广义贝叶斯问题与多周期性疾病检测在一个固定的制度时，发生的变化在一个遥远的时间范围。最后，我们用两个案例研究来说明工作领域的前沿。
2011-09-13 math.ST stat.TH
