Scalable Multiple Changepoint Detection for Functional Data Sequences
我们提出了多变点隔离(MCI)方法检测的均值和协方差的功能过程中的多个变化。我们首先引入一对投影来表示函数观测值之间和内部的变化。然后,我们提出了一个增强的融合套索程序分割成多个区域的投影鲁棒。这些区域的作用是将每个变点与其他变点隔离开来,以便可以按区域应用强大的单变量统计量来识别变点。仿真结果表明,我们的方法准确地检测在许多不同的情况下的变点的数量和位置。这些包括轻尾和重尾数据,对称和偏态分布的数据,稀疏和密集采样的变点,以及均值和协方差变化。我们表明,我们的方法优于最近的多功能变点检测器和几个单变量变点检测器应用到我们提出的预测。我们还表明,MCI是更强大的比现有的方法和规模线性样本量。最后,我们证明了我们的方法上的一个大的时间序列的水汽混合比配置文件从大气发射辐射干涉仪测量。
2021-10-20 stat.ME
Testing for a Change in Mean After Changepoint Detection
虽然有许多方法可用于检测时间序列中的结构变化,但很少有程序可用于量化检测后这些估计的不确定性。在这项工作中,我们填补了这一空白,提出了一个新的框架来测试的原假设,有没有变化的平均值周围的估计变点。我们进一步表明,它是可以有效地进行这种框架的情况下,估计的二进制分割及其变体,$\ell_{0}$分割,或融合套索的变点。我们的设置使我们能够以比现有方法少得多的信息为条件,从而产生更高的测试能力。我们应用我们的建议在一个模拟研究和染色体鸟嘌呤胞嘧啶含量的数据集。这些方法可以在R包ChangepointInference中免费获得,网址是https://jewellsean.github.io/changepoint-inference/。
2021-04-15 stat.ME
Monitoring Deforestation Using Multivariate Bayesian Online Changepoint Detection with Outliers
近实时变化探测对于各种地球监测应用非常重要,并且仍然是遥感科学的一个高度优先事项。数据稀疏性、细微变化、季节性趋势以及异常值的存在使得检测实际景观变化具有挑战性。Adams和MacKay(2007)介绍了贝叶斯在线变化点检测(BOCPD),这是一种计算效率高、精确的贝叶斯变化检测方法。先验信息的结合允许放松对密集数据的依赖和广泛的稳定期,使得该方法适用于相对短的时间序列和多个变点检测。在本文中,我们进行BOCPD与多元线性回归框架,支持季节性趋势。我们引入了一种机制,使BOCPD对偶尔的离群值具有鲁棒性,而不会影响精确的后验变化分布的计算效率,也不会影响检测延迟。我们通过模拟表明,该方法有效地检测异常值存在的变化。然后,该方法应用于监测森林砍伐在缅甸,我们表现出优越的性能相比,目前的在线变点检测方法。
2021-12-28 stat.ME
Bayesian Detection of Changepoints in Finite-State Markov Chains for Multiple Sequences
我们考虑由分段齐次马尔可夫段组成的范畴序列集的分析。假设序列由共同的基础过程控制,每个序列的段以相同的顺序出现。片段由一组未观察到的变化点定义,其中变化点的位置和数量可以随序列而变化。我们提出了一个贝叶斯框架来分析这些数据,将先验的位置上的变点和转移矩阵,并使用马尔可夫链蒙特卡罗(MCMC)技术,以获得后验样本的数据。使用模拟数据的实验结果说明了该方法如何可以用于推断参数和变点的后验分布,以及处理不同序列中变点位置的相当大的变化的能力。我们还研究了应用程序的方法,从两个应用程序涉及季风降雨模式和树木的分支模式的顺序数据。
2015-04-07 stat.ME
Post-Selection Inference for Changepoint Detection Algorithms with Application to Copy Number Variation Data
变点检测方法用于科学和工程的许多领域,例如,在拷贝数变异数据的分析中,检测基因组拷贝数的异常。尽管有各种各样的可用工具,但缺乏量化我们在检测后给定变点的强度(或存在)中的不确定性的方法。后选择推理提供了一个框架来填补这一空白,但这些方法的最直接的应用导致低功率测试,并留下了几个关于实际可用性的重要问题。在这项工作中,我们仔细调整后选择推理方法对变点检测,重点作为我们的主要科学应用的拷贝数变异数据。至于变点算法,我们研究了二进制分割,以及它的两个最流行的变体,野生和圆形,以及融合套索。我们实现了后选择推理理论的一些最新发展:我们使用辅助随机化来提高功率,这需要实现MCMC算法(重要性抽样和打了就跑抽样)来进行我们的测试。我们还提供了建议,以提高实际的可用性,详细的模拟,并对阵列比较基因组杂交(CGH)数据的实例分析。
2018-12-10 stat.ME
A grid-based methodology for fast online changepoint detection
University of Oslo(奥斯陆大学)
本文提出基于网格的在线突变点检测方法,通过动态更新的候选突变点网格实现低更新和存储成本。方法在广义测试统计量下具有对数增长的计算成本,并证明了离线测试的有限样本功效可转化为非渐近检测延迟上限。
2026-11-13 stat.ME
Changepoint detection in non-exchangeable data
变点模型通常假设每个段内的数据是独立的,并且以跨段变化的一些参数为条件是相同分布的。当数据受到局部相关模式的影响时,这种构造可能是不够的,通常会导致比优选的更多的变化点拟合。本文提出了一个贝叶斯变点模型,放宽了假设的交换段内。所提出的模型假设段内的数据对于可能在段之间变化的一些未知的$m \geqslant0$是$m$依赖的,从而导致适合于检测经受不同局部时间相关性的数据中的明显不连续性的模型。该方法适用于连续和离散数据。提出了一种新的可逆跳MCMC算法从模型中采样,特别是,利用参数空间的详细分析来建立依赖顺序的建议。两个应用程序证明了所提出的模型的好处:计算机网络监控通过计数数据中的变化检测,以及金融时间序列的分割。
2021-11-09 stat.ME
An Optimal False Discovery Rate Controlling Procedure for Changepoint Detection
Stanford University(斯坦福大学)
针对独立观测序列变点检测问题,提出LBD-FDR方法,可控制错误发现率,在高斯序列等场景下达最优检测性能,模拟中与五种现有方法对比验证有效性。
2026-08-04 stat.ME
Consistent detection and estimation of multiple structural changes in functional data: unsupervised and supervised approaches
Indian Statistical Institute(印度统计研究所);Indian Institute of Science Education and Research Kolkata(印度科学教育研究学院加尔各答分校)
本文针对函数数据的多重变点检测问题,基于希尔伯特空间的MMD度量,提出适用于无监督、有监督、半监督三类场景的变点检测与估计算法,证明了估计一致性并验证其性能优于现有方法。
2025-11-18 stat.ME
Robust changepoint detection in the variability of multivariate functional data
本文提出基于秩统计量和多元函数数据深度的 FKWC 变点方法,用于稳健检测多元函数数据变异性的变点,并证明其达到极小极大定位速率,在模拟和金融、神经影像数据中表现稳健。
2024-08-06 stat.ME
focus and focus-cpt: Fast Online Changepoint Detection in R and Python
Lancaster University(兰开斯特大学);Université Paris-Saclay, CNRS, INRAE, Univ Evry, Institute of Plant Sciences Paris-Saclay (IPS2)(巴黎萨克雷大学,法国国家科学研究中心,法国国家农业食品与环境研究院,埃夫里大学,巴黎萨克雷植物科学研究所);Université Paris-Saclay, AgroParisTech, INRAE, UMR MIA Paris-Saclay(巴黎萨克雷大学,巴黎高等师范学院农业学院,法国国家农业食品与环境研究院,巴黎萨克雷UMR MIA)
该研究推出R和Python包用于单变量及多变量数据流的快速在线变点检测,实现焦点算法族,能高效计算广义似然比检验,支持多种模型,包括自然指数族及非参数和自回归数据检测器。
2026-07-23 stat.ME
A Changepoint Detection Method for Profile Variance
提出了一种基于小波变换的变点方法,该方法确定了一系列功能曲线中的噪声的可变性何时从已知的固定值失控。简档的功能部分被允许来自一大类功能,并且可以随简档而变化。该方法利用小波投影的正交特性,准确有效地监测从一个剖面到下一个剖面的噪声水平。几种替代实现的估计进行了比较,在各种条件下,包括允许小波噪声子空间基本上被污染的配置文件的功能结构。所提出的方法被证明是非常有效的检测时,通过广泛的模拟研究的变化。
2014-08-29 stat.ME
Distribution-Free test for Changepoint Detection in Angular Mean Direction: Application in Finance
Indian Institute of Technology Kharagpur(印度理工学院哈格普尔分校)
该研究提出一种角数据均值方向变化点的无分布检验,经模拟与基准测试验证其性能,还应用于加密货币与黄金价格极端事件时间戳分析,为金融领域角数据变化点检测提供新方法。
2026-08-11 stat.ME
Adaptive online kernel changepoint detection
Imperial College London(帝国理工学院)
提出一种自适应在线核变点检测方法,通过梯度更新遗忘因子并利用最大均值差异统计量,实现高效检测流数据分布变化,性能优于现有核方法。
2026-09-22 stat.ME
Scalable Bayesian Multiple Changepoint Detection via Auxiliary Uniformization
通过在按时间顺序排列的观测值上附加辅助事件时间,将离散时间观测值的贝叶斯多变点问题转化为连续时间观测值的贝叶斯多变点问题。提出了一种前向滤波后向采样(FFBS)算法,用于模拟塌陷吉布斯抽样方案中的变点。理想情况下,FFBS算法的计算成本和内存成本都可以二次缩小到变化点的数量,而不是观察的数量,否则这对于长序列的观察是禁止的。新的公式允许在新数据到达时变点的数量无限地增加。此外,一个随时间变化的变点复发率在不同的部分被假定为特征的不同尺度的运行长度的变点。然后,我们提出了一个连续时间Viterbi算法获得的最大后验概率(MAP)估计的变化点。我们通过仿真研究和实际数据分析证明了该方法。
2020-06-28 stat.CO stat.ME
Online Changepoint Detection via Dynamic Mode Decomposition
本文提出一种基于动态模态分解的在线变点检测方法,通过低秩重构捕捉趋势与季节性,并在模拟和真实数据上优于现有方法。
2024-05-24 stat.ME
Sequential Kalman filter for fast online changepoint detection in longitudinal health records
提出顺序卡尔曼滤波器,在线检测时间相关纵向数据中的多个变点,线性复杂度,模拟实验更精确,并集成分类提升COVID-19感染检测性能。
2024-01-01 stat.AP stat.ME
Local Level Dynamic Random Partition Models for Changepoint Detection
University of Milano-Bicocca(米兰比可卡大学);Rice University(莱斯大学);University of California Los Angeles(加州大学洛杉矶分校)
提出一种新颖的状态空间建模框架,通过动态线性模型和马尔可夫结构实现时间序列的局部水平动态随机划分,并采用非边缘错误发现率控制进行变化点检测,在模拟和人体手势数据上验证了有效性。
2026-06-18 stat.ME
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
A communication-efficient, online changepoint detection method for monitoring distributed sensor networks
针对分布式传感器网络需低通信检测变化的问题,提出基于双阈值似然比检验的在线方法,并证明其渐近性质,可在大幅降低传输成本时达到接近无通信约束的性能。
2024-04-09 stat.ME
Online Change-point Detection for Matrix-valued Time Series with Latent Two-way Factor Structure
提出了一种在线检测大矩阵时间序列因子结构变化点的新方法。我们的方法是基于众所周知的事实,即在存在一个变点,因子模型可以被重写为一个模型与大量的共同因素。反过来,这意味着,在存在变点的情况下,数据的二阶矩矩阵中的尖峰特征值的数量增加。在此基础上,我们提出了两个家庭的程序-一个基于波动的部分和,和一个基于极值理论-监测是否第一个非尖峰特征值发散后的一个时间点在监测范围内,从而表明存在一个变点。我们的程序是只基于率,在每个时间点,我们随机估计的特征值,从而获得一个正态分布的序列,这是$i.i.d.$与平均零下的零零没有休息,而它发散到正无穷的存在一个变点。我们的监测程序就是以这种顺序为基础的。大量的模拟研究和实证分析证明了理论的正确性。
2021-12-27 stat.ME
Scalable Changepoint Detection for Large Spatiotemporal Data on the Sphere
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Washington in St. Louis(华盛顿大学圣路易斯分校)
本文提出了一种基于多项式概率模型和高斯过程的贝叶斯框架,用于高效检测大规模球面时空数据中的突变点,通过SPDE和球面谐波变换实现计算效率与精度的平衡。
2026-02-12 stat.CO stat.ME
Changepoint Detection in Complex Models: Cross-Fitting Is Needed
School of Mathematical Sciences, Shanghai Jiao Tong University(上海交通大学数学科学学院);School of Statistics and Data Science, Nankai University(南开大学统计与数据科学学院)
本文提出基于出样损失评估的交叉拟合方法,以解决复杂模型中因过适应偏差导致的变更点估计不准确问题,建立了通用理论框架并扩展到时间依赖数据,提高了变更点检测的可靠性和适应性。
2026-05-02 math.ST stat.ME stat.TH
Intrinsic Geometry-Based Angular Covariance: A Novel Framework for Nonparametric Changepoint Detection in Meteorological Data
IIT Kharagpur(印度理工学院卡拉格普尔分校);ISI Kolkata(印度统计研究所加尔各答中心)
本文提出基于内在几何的角协方差方法,用于非参数检测toroidal和spherical数据的均值方向突变点,通过构建弯曲分散矩阵和马氏距离度量,实现对气象数据突变点的识别。
2026-03-09 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
tidychangepoint: A Unified Framework for Analyzing Changepoint Detection in Univariate Time Series
tidychangepoint是一个统一框架,整合多种变化点检测算法和模型,提供统一的接口进行比较分析。
2026-01-12 stat.CO stat.ME
CHASM: Online Changepoint Detection in Temporal and Cross-Variable Dependence
Imperial College London(帝国理工学院)
CHASM提出一种在线非参数方法,通过监控递归估计的动态模态分解算子的截断特征值序列,用于检测时间序列中时间与跨变量依赖的变化点,具有高适应性和可部署性。
2026-05-08 stat.ME
ART: Distribution-Free and Model-Agnostic Changepoint Detection with Finite-Sample Guarantees
本文提出无分布、模型无关的变点检测框架ART,通过对称评分、排序与多尺度聚合实现精确第一类错误控制及检测后推断。
2025-01-08 math.ST stat.ME stat.TH
Exact Tests for Offline Changepoint Detection in Multichannel Binary and Count Data with Application to Networks
我们考虑离线检测一个单一的二进制和计数时间序列的变点。我们比较精确的累积和(AUUM)和似然比(LR)统计的基础上,和一个新的建议,结合精确的双样本条件检验与多重校正,对标准的渐近检验的基础上的布朗桥近似AUUM统计。我们从经验上看到,在驱动渐近检验的正态近似不值得信赖的情况下,精确检验要强大得多:(i)小样本设置;(ii)稀疏参数设置;(iii)边界附近有变点的时间序列。我们还考虑了多通道版本的问题,其中通道可以有不同的变点。通过控制错误发现率(FDR),我们可以同时检测多个通道中的变化。这种“本地”的方法被证明是更有利的多变量的全球测试方法时,变点的通道的数量远远小于通道的总数。作为一个自然的应用,我们考虑网络值时间序列,并使用我们的方法(a)边缘作为二进制通道和(b)节点度或其他局部子图统计作为计数通道。局部测试方法被认为是更翔实的比全球网络变点算法。
2020-08-20 stat.ME stat.ML
TUNE: Algorithm-Agnostic Inference after Changepoint Detection
本文提出 TUNE,一种算法无关的变点检测后推断方法,通过设定通用阈值直接控制 family-wise error rate,无需选择性 p-values,为多变点分析提供了稳健且可靠的推断方案。
2024-09-24 math.ST stat.ME stat.TH
Spatio-temporal Bayesian On-line Changepoint Detection with Model Selection
University of Warwick(华威大学);The Alan Turing Institute for Data Science & AI(艾伦·图灵数据科学与人工智能研究所)
将贝叶斯在线变点检测方法推广到在线模型选择和非平稳时空过程。我们提出了空间结构的向量自回归(VAR)模型之间的变化点(CP)的过程,并给出了这样的模型的近似误差的上限。该算法在线完成预测、模型选择和CP检测。它的时间复杂度是线性的,空间复杂度是常数,因此它比最接近的竞争对手快两个数量级。此外,它优于多元数据的最新技术水平。
2018-06-06 cs.LG stat.ME stat.ML
Sequential changepoint detection in classification data under label shift
分类器预测通常依赖于假设新的观测值来自与训练数据相同的分布。当底层分布发生变化时,最优分类规则也会发生变化,性能可能会降低。我们考虑的问题,检测这种变化的分布在顺序观察,未标记的分类数据。我们专注于标签转移的变化,类先验转移,但类条件分布保持不变。我们把这个问题归结为一维分类器得分变化的检测问题,从而得到简单的非参数连续变点检测程序。我们的程序利用分类器训练数据来估计检测统计量,并收敛到训练数据大小的参数对应值。在模拟中,我们表明,我们的方法优于其他检测程序在这个标签移位设置。
2021-08-31 stat.ME stat.ML
Reliever: Relieving the Burden of Costly Model Fits for Changepoint Detection
Nankai University(南开大学)
Reliever通过减少模型拟合次数提升变化点检测效率,结合最优网格搜索方法实现高维回归中变化点和系数估计的最优性,经实验验证其在多种高维和非参数模型中表现优异。
2026-05-02 math.ST stat.ME stat.TH
Fast Online Changepoint Detection
本研究针对线性回归模型提出基于CUSUM过程的加权统计量及复合统计量,采用否决式投票机制实现快速在线变点检测,理论适用于弱依赖时间序列,模拟验证了误差控制和短延迟。
2024-02-06 econ.EM stat.ME stat.ML
Distribution-free changepoint localization after sequential change detection
Massachusetts Institute of Technology(麻省理工学院);Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种无分布框架,在停止顺序变化检测程序后构建变化点的后检测置信集,无需任何分布假设,并保证了有限样本覆盖率和渐近有界期望大小。
2026-07-08 cs.LG stat.ME stat.ML
gridcp: Fast Online Changepoint Detection in Python
University of Oslo(奥斯陆大学);Norwegian Computing Center(挪威计算中心)
该研究提出开源 Python 包 gridcp,基于网格方法将离线变点检验转为高效在线检测器,含 Numba 加速内置检验,支持自定义检验与阈值校准,经模拟和真实数据验证其高效准确。
2026-08-20 stat.ME
A geometric approach in non-parametric Changepoint detection in circular data
本文利用环面内蕴几何提出圆形数据非参数变点检测新方法,推导极限分布并通过模拟和真实数据验证其优于现有检验的功效。
2025-06-27 stat.AP stat.ME
Inference in high-dimensional online changepoint detection
我们介绍和研究了两个新的推理挑战与高维均值向量的变化的顺序检测。首先,我们寻求一个置信区间的变化点,其次,我们估计的一组指数的坐标的均值变化。我们提出了一种在线算法,产生一个有保证的标称覆盖范围的间隔,其长度是,具有很高的概率,平均检测延迟相同的顺序,对数因子。相应的支持度估计可以控制假阴性和假阳性。模拟证实了我们方法的有效性,我们还说明了其对2017- 2020年美国超额死亡数据的适用性。
2023-03-02 math.ST stat.ME stat.TH
Changepoint Detection As Model Selection: A General Framework
University of Nebraska-Lincoln(内布拉斯加大学林肯分校)
本文提出基于L0模型选择的通用变化点检测框架,通过迭代加权融合Lasso(IRFL)方法提升支持恢复和最小化BIC等准则,适用于季节性模式、线性二次趋势及自回归依赖的复杂数据场景。
2026-03-21 stat.AP stat.ME stat.ML
Automating Data Monitoring: Detecting Structural Breaks in Time Series Data Using Bayesian Minimum Description Length
在现代业务建模和分析中,数据监控起着至关重要的作用。如今,复杂的模型通常依赖于数百甚至数千个输入变量。随着时间的推移,其中一些变量可能会发生结构性变化,如突然的水平变化或趋势斜率变化,这可能是由于经济或政府政策的变化。作为数据监控的一部分,重要的是要识别这些变点,即哪些变量表现出这种变化,以及变点发生的时间位置。被提醒有关变更点可以帮助建模人员决定模型是否需要修改或重建,而忽略它们可能会增加模型降级的风险。简单的过程控制规则通常会标记太多的错误警报,因为定期的季节性波动或稳定的上升或下降趋势通常会触发警报。为了减少潜在的误报,我们创建了一个新的统计方法的基础上贝叶斯最小描述长度(BMDL)的框架来执行多个变点检测。我们的方法是能够检测所有的结构性断裂发生在过去,并自动处理数据,或没有季节性和/或自相关。它是用诸如马尔可夫链蒙特卡罗(MCMC)的计算算法实现的,并且可以并行地应用于所有变量。作为一个可解释的异常检测工具,我们的变点检测方法不仅触发警报,但提供了有用的信息的结构突变,如时间的变点,和估计的平均水平和线性斜率之前和之后的变点。这使得未来的业务分析和评估的结构性休息更容易。
2019-10-04 stat.ME
Elastic Functional Changepoint Detection of Climate Impacts from Localized Sources
本文提出一种弹性函数变点检测方法,能同时处理振幅和相位变异性,应用于模拟和观测数据,成功检测出皮纳图博火山喷发对平流层温度的影响。
2023-08-10 stat.AP stat.ME stat.OT
On changepoint detection in functional data using empirical energy distance
本研究提出基于推广的经验能量距离的新型检验统计量,可检测函数观测序列中多种类型变点,提升端点附近变点检测能力,结合二元分割处理多变点场景,经模拟和实际数据验证效果良好。
2023-10-07 econ.EM stat.ME
Online Change-Point Detection in Linear Regression with Autoregressive Errors via Streaming Variational Bayes
Yonsei University(延世大学)
该研究提出流式变分贝叶斯方法,用于带自回归误差的线性回归在线变点检测,经模拟和比特币波动率数据验证,其检测性能优于频率主义序贯监测程序。
2026-10-14 stat.ME
Tracing the impacts of Mount Pinatubo eruption on regional climate using spatially-varying changepoint detection
提出一种贝叶斯空间变点检测方法,追踪皮纳图博火山喷发对区域气候的影响,定量刻画其空间格局,弥补了全球尺度研究的不足。
2025-08-11 stat.AP stat.ME
Optimal detection of changepoints with a linear computational cost
我们考虑在大数据集中检测多个变点的问题。我们的重点是应用程序的变化点的数量将增加,因为我们收集更多的数据:例如,在遗传学中,我们分析基因组的较大区域,或在金融,因为我们观察时间序列在较长的时间。我们认为,通过最小化的成本函数在可能的数量和位置的变化点检测变化点的共同方法。这包括几个既定的程序检测变化点,如惩罚的可能性和最小描述长度。我们引入了一种新的方法来寻找最小的成本函数,因此,最佳的数量和位置的变化点,具有计算成本,在温和的条件下,是线性的观测数量。这与现有的方法相比,其计算成本可以是二次的,甚至三次的相同的问题。在模拟研究中,我们表明,我们的新方法可以比这些替代的精确方法快几个数量级。我们还比较了用于识别变点的二进制分割算法,表明我们的方法的准确性可以导致数据推断分割的准确性的大幅提高。
2012-10-09 q-bio.GN q-bio.QM stat.ME
Doubly-online changepoint detection for monitoring health status during sports activities
我们提供了一个在线框架,用于分析智能手表在跑步活动中记录的数据。特别是,我们专注于识别由身体状况变化引起的一个或多个测量行为的变化,例如身体不适,长时间停止训练,甚至测量设备故障。我们的框架认为,数据作为一个序列的运行活动所表示的多元时间序列的物理和生物特征数据。我们结合了经典的变点检测模型与高斯状态空间模型的未知数量的组件,以检测一系列活动之间的分布变化。该模型考虑了多个来源的依赖,由于后续活动的连续性,每个活动内的自相关结构,以及不同变量之间的同期依赖。我们提供了一个在线的期望最大化(EM)算法,涉及一个序贯蒙特卡罗(SMC)近似的变化点预测概率。作为我们的模型假设的副产品,我们提出的方法在双在线框架中处理多变量时间序列。虽然经典的变化点模型检测后续活动之间的变化,状态空间框架与在线期望最大化算法提供了额外的好处,估计实时概率,当前活动是一个变化点。
2022-06-23 stat.AP stat.CO stat.ME
Post-detection inference for sequential changepoint localization
Massachusetts Institute of Technology(麻省理工学院);Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种通用框架,用于在序列变化点检测后构建置信集,不依赖特定假设,理论上有保证,且在实践中应用广泛。
2026-09-26 cs.AI cs.LG stat.ME
Distribution-free changepoint detection tests based on the breaking of records
对破纪录事件的分析在气候学、水文学或人类学等领域都很有意义。与记录发生,我们提出了三个从属统计量的变化点检测问题。它们是基于在一个系列中观察到的最高和/或最低记录指标的统计数据。使用一个版本的功能中心极限定理,我们证明了,渐近Kolmogorov分布的统计量。原假设下的主要结果是基于独立同分布随机变量序列的,但也提出了一种统计量来处理具有季节分量和序列相关的序列。已经进行了大小、功效和变点估计的蒙特卡罗研究。最后,通过分析西班牙马德里的温度时间序列来说明该方法。CRAN上公开的R包$\texttt{RecordTest}$实现了所提出的方法。
2022-07-06 math.ST stat.ME stat.TH
Epidemic changepoint detection in the presence of nuisance changes
许多时间序列问题的特征是流行性变化--参数偏离背景基线的片段。这种变化的数量和位置可以通过现有的检测方法以原则性的方式估计,前提是背景水平是稳定的和已知的。然而,实际数据往往包含干扰的背景水平,这干扰了标准的估计技术的滋扰变化。此外,这种变化通常仅在持续时间上不同于目标段,并且在检测结果中表现为假警报。为了解决这些问题,我们提出了一个两级检测器,可以对干扰和信号变化进行建模和分离。作为该方法的一部分,我们开发了一种新的,有效的方法,同时估计未知的,但固定的背景水平和检测流行病的变化。所提出的方法的分析和计算性能,包括一致性和收敛性。我们通过模拟证明,我们的两级检测器提供了准确的估计下的滋扰过程中的变点,而其他国家的最先进的检测器失败。使用真实世界的基因组和人口数据集,我们证明了我们的方法可以识别和定位目标事件,同时分离出季节性变化和实验性伪影。
2020-08-19 stat.CO stat.ME
Approximate Recovery in Changepoint Problems, from $\ell_2$ Estimation Error Rates
在1维多变点检测问题中,我们证明了任何程序具有足够快的$\ell_2$错误率,在其估计的基本分段常数平均向量,自动具有(近似)变点筛选属性-具体地说,每个真正的跳跃在基本的平均向量附近有一个估计的跳跃。我们还表明,再次假设只有知识的$\ell_2$错误率,一个简单的后处理步骤可以用来消除虚假的估计变点,从而提供一个(近似)变点恢复属性-具体地说,除了上述筛选属性,我们保证每个估计的跳跃有一个真正的跳跃附近。作为一种特殊情况,我们集中在应用这些结果的1维融合套索,即,1-维全变分去噪,并与文献中现有的结果进行比较。我们还研究了相关问题的扩展,如图上的变点检测。
2016-12-02 math.ST stat.ME stat.TH
Changepoint Detection in the Presence of Outliers
许多识别变点的传统方法在存在离群值或噪声是重尾的情况下可能会遇到困难。他们通常会推断额外的变化点,以拟合离群值。为了克服这个问题,通常需要对数据进行预处理以去除离群值,尽管这对于需要在线分析数据的应用程序来说很困难。我们提出了一种方法,变点检测是强大的离群值的存在。我们的想法是适应现有的惩罚成本的方法来检测变化,使他们使用的损失函数是不敏感的离群值。我们认为,损失函数是有界的,如经典的双权损失,是特别合适的-因为我们表明,只有有界的损失函数是强大的任意极端离群值。我们提出了一个有效的动态规划算法,可以找到我们的惩罚成本标准下的最佳分割。重要的是,该算法可以用于需要在线分析数据的环境中。我们表明,我们可以一致地估计变点的数量,并准确地估计它们的位置,使用双权损失函数。我们证明了我们的方法的应用程序,如分析测井数据,检测拷贝数的变化,并检测篡改的无线设备的有用性。
2017-07-11 stat.AP stat.CO stat.ME
Exact Post-Selection Inference for Changepoint Detection and Other Generalized Lasso Problems
我们研究了基于广义Lasso正则化路径定义的模型选择事件的推理工具,广义Lasso估计由惩罚最小二乘回归问题的解给出,其中惩罚是矩阵D的l1范数乘以系数向量。广义套索路径收集了一系列惩罚参数(λ)值的这些估计值。利用Tibshirani & Taylor(2011)对该路径的顺序表征,以及Lee et al.(2016),Tibshirani et al.(2016)在选择后推断方面的最新进展,我们为潜在平均向量的线性对比开发了精确的假设检验和置信区间,以沿广义套索路径的任何模型选择事件为条件(假设观测值中存在高斯误差)。通过检查D的特定选择,我们获得了广义套索估计的特定情况下的后选择检验和置信区间,如融合套索,趋势滤波和图形融合套索。在融合套索的情况下,平均值的基本坐标被分配一个线性排序,我们的框架允许我们选择性地测试这些平均值坐标中的断点或变点。这是一个有趣的和研究广泛的应用问题,我们的框架应用于趋势过滤和图形融合套索服务以及几个应用程序。除了选择性推理工具的发展,我们描述了我们的方法的几个实际方面,如有效的后处理的广义估计进行推理之前,以提高功率,和特定问题的可视化援助,可以给数据分析师,他/她选择线性对比进行测试。许多例子,无论是从模拟和真实的数据源,我们的推理方法的经验性质进行检查。
2016-06-11 stat.ME
A Constant-per-Iteration Likelihood Ratio Test for Online Changepoint Detection for Exponential Family Models
基于似然比检验的在线变点检测算法已被证明具有优良的统计特性。然而,简单的在线实现在计算上是不可行的,因为在时间$T$,它涉及考虑用于改变的$O(T)$可能位置。最近,已经引入了FOCuS算法来检测高斯数据中的均值变化,该算法将每次迭代的成本降低到$O(\log T)$。这通过使用修剪思想是可能的,修剪思想将需要在时间$T$处考虑的变点位置的集合减少到大约$\log T$。我们表明,如果一个人希望执行一个不同的单参数指数族模型的似然比检验,那么完全相同的修剪规则可以使用,并再次只需要考虑大约$\log T$位置在迭代$T$。此外,我们展示了如何自适应地执行算法的最大化步骤,这样我们只需要在这些可能的位置的一个小子集上最大化检验统计量。实证结果表明,所产生的在线算法,它可以检测到各种模型下的变化,具有恒定的每次迭代的平均成本。
2023-02-09 stat.CO stat.ME stat.ML
Changepoint Analysis of Topic Proportions in Temporal Text Data
Indian Institute of Technology Kanpur(印度理工学院坎普尔分校);Indian Statistical Institute Kolkata(印度加尔各答统计研究所)
变点分析处理时间序列数据中的时间点的无监督检测和/或估计,当生成数据的分布发生变化时。在这篇文章中,我们认为\emph{offline}变点检测的背景下,大规模的文本数据。我们建立了一个专门的时态主题模型,并提供了主题比例分布的变点。由于在这个模型中基于全似然的推理是计算上难以处理的,我们开发了一个计算上易于处理的近似推理过程。更具体地说,我们首先使用样本分裂来估计主题多面体,然后应用似然比统计以及Fryzlewicz等人(2014)的野生二进制分割算法的修改版本。我们的方法有利于自动检测结构变化的大型语料库,而不需要手动处理领域专家。由于我们的模型下的变点对应于主题结构的变化,因此估计的变点通常高度可解释为标志着时尚主题受欢迎程度的上升或下降。我们将我们的程序应用于两个大型数据集:(i)1800-1922年期间的英语文学语料库(Underwoodet等人,2015);(ii)来自高能物理arXiv存储库的摘要(Clementet等人,2019年)。我们获得了一些历史上著名的变点,并发现了一些新的。
2021-11-29 cs.CL cs.IR cs.LG