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
Maximum likelihood estimation of covariances of elliptically symmetric distributions
椭圆对称分布广泛用于投资组合建模以及用于对脉冲背景噪声建模的信号处理应用中。特别感兴趣的是此类背景中的协方差估计和子空间检测算法。本文解决了正确估计与此类模型相关的协方差阵和检测叠加在此类分布上的附加信号的问题。一个特别注意的是适当的会计的圆对称的子类的复杂的椭圆分布的情况下,复杂的信号。特别是泰勒的估计被证明是一个最大似然估计在所有的椭圆模型,其扩展到复杂的情况下被证明是一个最大似然估计的子类复杂的椭圆模型(CES);其他M-估计也被证明是最大似然估计在一些限制类的椭圆模型。泰勒和其他M-估计的扩展约束协方差估计进行了讨论,特别是对Toeplitz约束。最后讨论了与本文所介绍的各种估计量有关的似然比信号检测检验。
2016-11-30 math.ST stat.TH
A Lanczos-Based Algorithmic Approach for Spike Detection in Large Sample Covariance Matrices
University of Washington(华盛顿大学);University of California, Davis(加州大学戴维斯分校)
本文提出基于兰茨算法的高效方法,用于估计大型样本协方差矩阵中的尖峰数量,具有更高的计算效率和鲁棒性。
2025-12-29 math.PR math.ST 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
The spatial sign covariance operator: Asymptotic results and applications
由于记录能力的增加,功能数据分析已成为一个重要的研究课题。对于功能数据,最近开始了异常值检测和/或稳健统计程序开发的研究。样本协方差运算符的一个可靠替代方案是样本空间符号协方差运算符。本文研究了位置未知时样本空间符号协方差算子的渐近性态。在其他可能的应用所获得的结果,我们得到的样本空间符号协方差算子获得的主方向的渐近分布,我们开发的测试,以检测两个人口的散布算子之间的差异。特别是,通过小样本量的Monte Carlo研究说明了测试性能。
2018-04-11 math.ST stat.TH
Online Change-Point Detection in High-Dimensional Covariance Structure with Application to Dynamic Networks
在本文中,我们开发了一个在线的高维数据的协方差结构中的变点检测过程。提出了一种新的停止规则,当协方差结构发生变化时,可以尽早终止该过程。停止规则允许时间依赖性,并且可以应用于非高斯数据。推导出了平均游程长度的显式表达式,使得停止规则中的阈值水平可以很容易地得到,而不需要运行耗时的蒙特卡罗模拟。我们还建立了一个上限的预期检测延迟(EDD),其表达式演示了数据依赖性和变化幅度的协方差结构的影响。仿真研究证实了理论结果的准确性。所提出的程序的实际用途是通过检测大脑的协方差网络在静息状态的功能磁共振成像数据集的变化。
2020-03-11 stat.ME
Change-point detection in variance-covariance matrix
The University of Hong Kong(香港大学);Keio University(庆应义塾大学);Riken-AIP(理化学研究所先进人工智能研究中心)
本文研究了在方差-协方差矩阵突变点位置估计和稀疏模式联合估计问题,采用分组融合LASSO和LASSO惩罚项,通过ADMM算法实现高效求解,并通过实验验证方法有效性。
2026-10-15 stat.ME
Homogeneity Tests of Covariance and Change-Points Identification for High-Dimensional Functional Data
我们考虑高维(HD)的功能数据与密集的重复测量的数量(T)采取了大量的p个变量从一个小数目的n个实验单元的推理问题。空间和时间的依赖性,高维数,和密集的重复测量的数量都使理论研究和计算具有挑战性。本文有两个目的:我们的第一个目标是解决从HD功能数据中检测和识别协方差阵中的变化点的理论和计算挑战。第二个目标是提供计算效率和调谐免费的工具,保证随机误差控制。变点检测过程以检验协方差阵的齐性的形式发展。在“大p,大T,小n”的条件下,证明了由检验统计量构成的随机过程的弱收敛性.在一组温和的条件下,我们的变点识别估计量被证明对于序列任何位置的变点都是一致的。其收敛速度取决于数据维数、样本量、重复测量次数和信噪比。我们还表明,我们提出的计算算法可以显着减少计算时间,并适用于现实世界的数据,如功能磁共振成像数据与大量的HD重复测量。仿真结果表明,有限样本性能和计算有效性,我们提出的程序。我们观察到,检验的经验大小被很好地控制在标称水平,并且可以准确地识别多个变化点的位置。fMRI数据的应用表明,我们提出的方法可以识别事件边界的电影夏洛克的序言。我们提出的程序在R包TechPhD中实现。
2020-05-05 math.ST stat.CO stat.ME
Optimal change point detection in Gaussian processes
University of Michigan(密歇根大学)
研究了一维高斯过程数据均值变化的检测问题。这个问题的研究在设置的增加域(通常采用在时间序列分析)和在设置的固定域(通常出现在空间数据分析)。我们提出了一种基于广义似然比检验(GLRT)的检测方法,并证明了我们的方法在极大极小意义下,在这两种情况下都达到了近渐近最优速率。所提出的方法的显着特点是,它利用了一种有效的方式捕获的高斯过程协方差结构的数据依赖性。当协方差未知时,我们提出了插入GLRT方法,并推导出该方法保持渐近接近最优的条件。相比之下,不考虑协方差结构的标准的CRAMUM方法,仅在增域中是渐近最优的。我们的算法和相关理论适用于各种各样的协方差结构,包括Matern类,幂指数类等。插入GLRT方法显示出良好的最大似然估计与密集的协方差阵。
2017-04-08 cs.IT cs.LG math.IT
Multi-level Thresholding Test for High Dimensional Covariance Matrices
我们考虑测试的平等的两个高维协方差阵进行多级阈值的程序,这是为了检测稀疏和微弱的差异之间的协方差。一种新的U-统计组合的开发,建立与矩阵分块和耦合技术的阈值统计的渐近分布。我们提出了一个多阈值测试,被证明是强大的,在检测两个协方差阵之间的稀疏和弱的差异。测试结果表明,有吸引力的检测边界,并达到最佳的最小最大速率在不同的制度下的高维和稀疏的信号强度。仿真研究进行了演示所提出的测试的效用。
2019-10-29 math.ST stat.ME stat.TH
Network inference and community detection, based on covariance matrices, correlations and test statistics from arbitrary distributions
在本文中,我们提出的方法推断二进制值邻接矩阵的各种措施之间的关联对网络节点,或更一般的变量对的强度。这种关联强度可以通过样本协方差和相关矩阵来量化,更一般地,可以通过来自任意分布的检验统计量和假设检验p值来量化。社区检测方法,如块建模,通常需要二进制值邻接矩阵作为起点。因此,我们提出的方法的一个主要动机是从变量之间的关联强度的成对测量中获得二进制值邻接矩阵。所提出的方法适用于大型高维数据集,是基于计算效率的算法。我们说明了它的效用在一系列的背景和数据集。
2016-05-13 stat.AP
Multiple Change Point Detection in the Mean and Covariance of High-Dimensional Matrix Time Series
School of Mathematics, University of Bristol(布里斯托大学数学学院)
本文提出一种基于移动和统计量的统一方法,用于高维矩阵时间序列中均值与协方差结构的多个变点同时检测,并通过理论与实验验证其有效性。
2026-10-07 stat.ME
Break Point Detection for Functional Covariance
许多实验记录了连续的轨迹,其中每个轨迹由零附近的振荡和波动组成。这样的轨迹可以被视为零均值函数数据。当高阶矩中存在结构性突变(在轨迹序列上)时,仅通过目视检查并不总是容易发现这些突变。基于脑信号分析中的这一具有挑战性的问题,我们提出了一种检测和测试程序来找到函数协方差的变化点。检测过程是基于累积和统计量(Cumulative sum statistics,CSUM)。函数数据的经典检验过程依赖于零分布,该零分布依赖于无穷多个未知参数,尽管实际上只有有限数量的未知参数可以用于变点存在性的假设检验。本文提供了一些理论见解的影响参数的数量。同时,给出了估计变点的渐近性质。所提出的方法的有效性进行了数值验证,在模拟研究和应用程序,以调查在大鼠脑信号的变化后,实验诱导中风。
2022-02-05 stat.ME
Optimal Estimation and Rank Detection for Sparse Spiked Covariance Matrices
本文研究了高维稀疏加样协方差阵模型,研究了协方差阵和主子空间的Minimax估计以及Minimax秩检测。建立了在谱范数下估计尖峰协方差矩阵的最优收敛速率,这需要与估计其他结构化协方差阵(如可带或稀疏协方差阵)的技术显著不同的技术。我们还建立了谱范数下的极小极大率,用于估计主成分分析中的主要感兴趣对象主子空间。此外,最佳速率的秩检测边界得到。这一结果也解决了Berthet和Rigollet [1]最近的一篇论文中的空白,其中考虑了秩1的特殊情况。
2016-03-25 math.ST stat.TH
Fingerprint Analysis for Climate Change Detection and Attribution under a Latent Factor Model
Auburn University(奥本大学)
针对气候变化检测与归因中的最优指纹法,提出尖峰最优指纹框架,利用尖峰协方差估计与变率膨胀调整,改善高维推断,产生更短且校准更好的置信区间,并在多区域得出不同归因结论。
2026-09-15 stat.AP stat.ME
Adaptive radar detection of subspace-based distributed target in power heterogeneous clutter
针对功率非均匀杂波下的分布式目标检测问题,迭代估计多类未知量,提出三种基于不同检验的自适应雷达检测器,其中Rao检验型性能最优,且具备恒虚警率特性。
2024-10-09 stat.AP stat.ME stat.OT
High-Dimensional Covariance Shrinkage for Signal Detection
本文研究了用自适应匹配滤波器在高维观测值中判定给定信号的存在性问题,该观测值具有未知的协方差阵。传统上,这样的滤波器是由某些给定训练数据的样本协方差阵形成的,但是,众所周知,当训练数据$n$的数量不比数据维度$p$大得多时,这样的滤波器的性能很差。因此,我们寻求一个协方差估计来代替样本协方差。为了解释$n$和$p$可能具有可比大小的事实,我们采用了“大维渐近模型”,其中$n$和$p$以固定的比率趋于无穷大。在此假设下,我们确定了一个协方差估计,是渐近检测理论最优的一般收缩类启发C。Stein的自适应匹配滤波器的条件虚警率和检测率的相合估计。
2021-12-03 math.ST stat.TH
Confidence Intervals for Conditional Covariances of Natural Frequencies
Helmut Schmidt University(赫尔穆特·施密特大学)
针对结构健康监测中损伤敏感特征受混杂因素影响的问题,提出两种基于自助法的条件协方差置信区间估计方法,经蒙特卡洛验证和桥梁实测数据应用,可提升损伤诊断可靠性、减少误报。
2025-09-30 stat.AP
Estimating a change point in a sequence of very high-dimensional covariance matrices
本文考虑高维向量序列中协方差阵的变点估计问题,其中维数远大于样本量。一个两阶段的方法,提出了有效地估计的位置的变化点。第一步包括降维以识别对应于显著变化的协方差阵的元素。在第二步中,我们使用降维后的组件来确定变化点的位置。理论特性的步骤和数值研究进行支持新的方法。
2018-07-27 math.ST stat.ME stat.TH
Simultaneous Detection and Localization of Mean and Covariance Changes in High Dimensions
本文提出一种联合监测高维数据均值与协方差变化的方法,利用检验统计量的渐近独立性结合Fisher方法合并p值并自适应估计变点,在检测功效和定位精度上优于分别处理的方法。
2025-08-27 math.ST stat.ME stat.TH
Testing and Estimating Change-Points in the Covariance Matrix of a High-Dimensional Time Series
本文研究了高维线性时间序列协方差结构中变点的检验和估计方法。假设的框架允许一个大类的多元线性过程(包括向量自回归移动平均(VARMA)模型)的增长维度和尖峰协方差模型。该方法使用中心或非中心样本方差-协方差阵的双线性型。变点检验和估计是基于最大选择加权累积和(MANUUM)统计量。大样本近似下的变点制度,包括一个多变量的CRAMUM变换的增加的维度。对于未知的渐近方差和协方差参数(对)的统计量,我们提出了一致的估计。基于弱大数定律的顺序版本,我们还考虑停止样本估计的观察,直到估计的变点。有限样本性质的程序进行了研究,通过模拟和他们的应用程序进行了说明,通过分析一个真实的数据集,从cumbermetrics。
2020-01-13 math.PR math.ST stat.AP
Structural break analysis in high-dimensional covariance structure
我们考虑高维随机数据协方差结构中突变的检测和定位。本文提出了一种新的测试程序,这个问题。由于其性质,该方法需要适当选择临界水平。在这方面,我们提出了一个纯粹的数据驱动的校准方案。该方法可以直接用于在线设置,并且基本上是多尺度的,允许在灵敏度和变点定位(在线设置中,检测的延迟)之间进行权衡。该算法的描述之后是一个正式的理论研究证明所提出的校准计划下温和的假设和提供的中断检测的准确性。所有的理论结果都是在一个高维的设置(维数$p >> n$)。这些结果得到了受真实世界金融数据启发的模拟研究的支持。
2019-07-14 math.ST stat.TH
Break detection in the covariance structure of multivariate time series models
在本文中,我们引入了一个渐近检验程序来评估线性和非线性多元时间序列模型的波动率和交叉波动率的稳定性。该测试是非常灵活的,因为它可以应用于,例如,在文献中建立的许多多变量GARCH模型,并且在基础数据的高维数的情况下也工作得很好。由于它是非参数的,该过程避免了与参数模型选择、模型拟合和参数估计相关的困难。我们提供了理论基础的测试,并证明其适用性,通过模拟研究和财务数据的分析。扩展到多个变化和无限四阶矩的情况下也进行了讨论。
2009-11-19 math.ST stat.TH
High-Dimensional Block Diagonal Covariance Structure Detection Using Singular Vectors
针对高维数据中子向量数量与划分未知、组合检验不可行的问题,本文提出利用右奇异向量的稀疏近似揭示分块对角协方差结构,无需估计协方差矩阵,并通过模拟和真实数据验证性能。
2024-01-22 math.ST stat.ME stat.TH
Inference on the maximal rank of time-varying covariance matrices using high-frequency data
研究了多维连续半鞅$X(t)$的瞬时或点协方差阵$Σ_X(t)$的秩.给定高频观测$X(i/n)$、$i=0,\ldots,n$,我们针对局部替代品测试所有$t$的零假设$rank(Σ_X(t))\le r$,其中平均$(r+1)$ st特征值大于某些信号检测率$v_n$。一个主要的问题是局部协方差统计中固有的平均值会产生一个偏差,使秩统计失真。我们表明,偏见取决于$Σ_X(t)$的规律性和光谱间隙。我们建立明确的矩阵扰动和浓度的结果,提供非渐近一致的临界值和最佳信号检测率$v_n$。这导致通过序贯检验的秩估计方法。对于一类随机波动率模型,通过估计局部协方差阵的赋范p-变差来确定数据驱动的临界值.通过模拟和美国政府债券的高频数据的应用说明了该方法。
2021-10-01 math.ST stat.TH
On Minimax Detection of Gaussian Stochastic Sequences and Gaussian Stationary Signals
研究了协方差矩阵未知的高斯随机序列(信号)的Minimax检测问题。对于一个固定的虚警概率(第一类错误概率),极大极小检测的性能是由丢失概率(第二类错误概率)的最佳指数衰减率表征的,因为观测间隔的长度趋于无穷大.我们的目标是找到最大的一组协方差矩阵,使这组(复合假设)的极大极小稳健检验可以替换为测试只有一个特定的协方差矩阵(简单假设)没有任何损失的检测特性。在本文中,我们完全描述了这一最大的协方差矩阵集。一些推论解决了嵌入在高斯白噪声中的高斯随机信号的极小极大检测和高斯平稳信号的检测。
2021-04-13 cs.IT math.IT math.ST
Sequential Low-Rank Change Detection
Georgia Institute of Technology(佐治亚理工学院);Air Force Research Lab(空军研究实验室)
从高维数据中检测低秩信号的出现是许多应用中出现的重要问题,例如使用传感器的摄像机监视和群体监视。我们考虑一个基于滑动窗口上的样本协方差阵的最大特征值来检测变化的过程。为了实现降维,我们提出了一种基于草图的方法,使用原始高维观测的低维线性草图进行秩变化检测。其前提是当草图矩阵为随机高斯矩阵,且草图向量维数足够大时,这些草图的样本协方差阵的秩以高概率等于原始样本协方差阵的秩。因此,我们可以使用草图的样本协方差阵来检测低秩变化,而不必恢复原始的协方差阵。我们的字符的最大特征值统计的虚警率和预期的检测延迟的性能,并提出了一个有效的在线实现通过子空间跟踪。
2016-10-07 cs.LG math.ST stat.ML
Model Order Selection Rules For Covariance Structure Classification
本文讨论了雷达信号处理中干扰协方差阵结构的自适应分类问题。这代表了一个关键问题,因为许多检测架构是假设特定的协方差结构合成的,由于系统和环境不确定性的联合作用,该协方差结构可能不一定与实际协方差结构一致。所考虑的分类问题是投在一个多假设检验与一些嵌套的替代品和模型顺序选择(MOS)的理论来设计合适的决策规则。几个MOS技术,如赤池,竹内,贝叶斯信息准则,并讨论了相应的优点和缺点。在分析阶段,说明正确的模型选择的概率的例子显示所提出的规则的有效性。
2017-04-19 math.ST stat.TH
Bootstrap-Calibrated Spectral Divergence Tests for Online Detection of Covariance Matrix Changes
Cumhuriyet University(居米舍特大学);Linköping University(林雪平大学)
本文提出Bootstrap校准的谱散度检验,用于在线检测协方差矩阵变化,控制误报率并证明一致性,在金融数据中验证了有效性。
2026-09-15 math.ST stat.ME stat.TH
Fully Functional Weighted Testing for Abrupt and Gradual Location Changes in Functional Time Series
本文提出了一种结合协方差结构和偏移参数的完全功能加权检验方法,用于检测功能时间序列中突变和渐变位置变化,提高了检验效能并推导了其渐近分布。
2026-01-22 math.ST stat.ME stat.TH
Exact Recovery of Community Detection in dependent Gaussian Mixture Models
University of Connecticut(康涅狄格大学);Johns Hopkins University(约翰斯·霍普金斯大学)
研究在依赖且异质高斯噪声的高斯混合模型中社区检测的精确恢复,提出在奇异协方差矩阵情况下MLE的约束二次优化问题,并推导出在社区大小未知或已知时的精确恢复条件。
2026-05-02 math.PR math.ST stat.ML