Robust Sequential Change-Point Detection by Convex Optimization
我们解决了计算的挑战,找到强大的顺序变点检测程序时,前和后的变化分布不完全指定。早期的工作[veeravalli 1994]和[Unnikrishnan 2011]建立了鲁棒程序的一般条件,其中包括找到一对最不利的分布(LFD)。然而,在多维设置中,很难通过计算找到这样的LFD。我们提出了一种基于凸优化的方法,解决了这个问题时,分布是高斯未知参数从预先指定的不确定性集。我们还建立了我们的鲁棒程序的理论性质,数值例子表明其良好的性能。
2017-05-10 stat.ME
Sequential Change Detection in the Presence of Unknown Parameters
通常需要检测随机变量序列中的变点。在这个问题的最困难的设置中,变化检测必须顺序执行,随着时间的推移不断接收新的观察结果。此外,改变前和改变后分布两者的参数可以是未知的。在Hawkins和Zamba(2005)最近的一篇论文中,在假设观测值服从高斯分布的情况下,引入了序贯广义似然比检验来检测这种情况下的变化。然而,我们表明,渐近近似使用的检验统计量导致它是保守的,即使有大量的观察。我们提出了一个改进的程序,这是更有效的,在这个意义上的检测变化更快,在所有情况下。我们还表明,类似的问题出现在其他参数变化检测的情况下,我们说明了引入一种新的监测程序的序列的指数分布随机变量,这是一个重要的话题,在故障时间建模。
2013-09-20 stat.ME
Page's Sequential Procedure for Change-Point Detection in Time Series Regression
在各种不同的设置累积和(Cumulative Sum)程序已被应用于顺序检测随机模型的参数中的结构突变。然而,它们的表现在很大程度上取决于变化的时间,在早期变化的情况下最好。对于后来的变化,他们的有限样本行为是相当值得怀疑的。因此,我们提出了修改后的CRACUUM程序检测的突然变化的回归参数的多个时间序列回归模型,表现出更高的稳定性,相对于普通的CRACUUM程序的变化时间。给出了检验统计量的渐近分布和程序的一致性。在模拟研究中,它表明,所提出的程序表现良好,在有限的样本。最后,该程序适用于一组资本资产定价数据相关的Fama法国扩展的资本资产定价模型。
2013-08-06 stat.ME
Sequential Change Point Detection with FDR Control in Reconfigurable Sensor Networks
本文研究可重构传感器网络中传感器可动态增减且存在依赖性的序贯变点检测问题,提出基于e值的检测程序,在均匀控制错误发现率的同时实现更低错误非发现率和更短检测延迟。
2025-04-09 stat.ME
Beyond Euclidean Summaries: Online Change Point Detection for Distribution-Valued Data
University of Cincinnati(辛辛那提大学);University at Buffalo(布法罗纽约州立大学)
提出一种基于2-Wasserstein空间的分布值变点检测框架,通过切空间线性化将经典多元监控统计量适配到分布流形,实现对复杂分布变化的快速检测。
2026-05-20 stat.ME
Sequential Change-point Detection for Binomial Time Series
本文提出广义二项AR(1)模型及其序贯变点检测方法,用于实时监测二项时间序列,并在肺炎流感数据中成功识别COVID-19相关变点。
2025-09-07 stat.ME
Sequential Change Point Detection in High-dimensional Vector Auto-regressive Models
本研究针对高维向量自回归模型转移矩阵的实时变点检测问题,提出基于正则化估计和检验统计量的序贯检测算法,证明其渐近性质并通过仿真及金融、脑电实际应用验证有效性。
2024-12-13 stat.ME
Change Point Inference for Non-Euclidean Data Sequences using Distance Profiles
University of Southern California(南加州大学);Heinz College of Information Systems and Public Policy, Carnegie Mellon University(卡内基梅隆大学海因茨信息系统与公共政策学院)
本文提出了一种基于距离轮廓法的非参数方法,用于检测和定位非欧几里得数据序列中的变化点,适用于多种数据类型,并通过模拟和实际数据验证了其有效性。
2026-01-24 stat.ME
Sequential Control of False Positives in Online Change Point Detection
University of Pennsylvania(宾夕法尼亚大学)
研究在线变点检测中误报控制问题,提出顺序族错误率及基于模拟的校准程序来估计监测阈值,通过模拟研究和实例验证该方法能有效控制误报,优于常用替代方法。
2026-07-20 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
Hypothesis Testing via Euclidean Separation
我们讨论了一个“操作”的方法来测试凸复合假设时,底层分布是重尾的。它依赖于凸集的欧几里德分离,并且可以被看作是[8,12]中开发的凸优化测试方法的扩展。特别是,我们展示了如何可以构建准最优的测试程序的家庭是majorated,在一定的精确意义上,由一个亚球对称的,并研究测试之间的关系的基础上欧氏分离和“潜在的测试。“我们将推广的方法应用于顺序检测问题,并说明其在动态系统输入变化的顺序检测应用中的实际实现。[8]Goldenshluger,Alexander和Juditsky,Anatoli和Nemirovski,Arkadi,凸优化的假设检验,电子统计杂志,9(2):1645-1712,2015。[12]Juditsky,Anatoli和Nemirovski,Arkadi,通过仿射检测器进行假设检验,电子统计杂志,10:2204- 2242,2016。
2018-11-12 math.ST stat.TH
Asymptotic Distribution of the Delay Time in Page's Sequential Procedure
本文给出了Page序贯累积和(Sequential Cumulative Sum,简称CUM)过程中停时的渐近分布。页以及普通的累积和被认为是检测器的平均值的变化,满足弱不变性原则的意见。由这些检测器得到的停时的主要结果推广了一系列关于正态性停时的结果。特别是,结果量化的优势,页面的PACKUUM程序,普通的PACKUUM程序在后期的变化情况。理论结果说明了一个小的模拟研究,包括普通的和页面的PICEUM检测器的性能比较。
2013-08-06 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
Compound Sequential Change-point Detection in Parallel Data Streams
我们考虑顺序变化点检测并行数据流,其中每个流有自己的变化点。一旦在数据流中检测到变化,该流将永久停用。目标是最大化变更前流的正常操作,同时在所有时间点控制活动流中变更后流的比例。以贝叶斯公式,我们开发了一个复合决策框架,这个问题。提出了一个程序,是一致的所有顺序的程序,控制预期比例的变更后的流在所有时间点之间的最佳。我们还研究了所提出的方法的渐近行为时,数据流的数量越来越大。数值例子来说明所提出的方法的使用和性能。
2021-07-14 math.ST stat.ME stat.TH
Sequential Change-point Detection for Compositional Time Series with Exogenous Variables
本文针对成分时间序列提出广义Beta AR(1)模型,可纳入外生变量,并基于极大似然估计提出参数化序贯变点检测方法,应用于Covid-19阳性率数据。
2025-09-09 math.ST stat.ME stat.TH
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
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
Changes from Classical Statistics to Modern Statistics and Data Science
University at Albany, State University of New York(纽约州立大学奥尔巴尼分校);Jiangxi Technology & Science Normal University(江西科技师范大学);The University of Texas Health Science Center at Houston(德克萨斯大学休斯顿健康科学中心)
坐标系是每一个定量科学、工程和医学的基础。经典物理学和统计学是建立在笛卡尔坐标系上的。古典概率和假设检验理论只适用于欧几里德数据。然而,现实世界中的现代数据来自自然语言处理、数学公式、社交网络、交通和传感器网络、计算机视觉、自动化和生物医学测量。欧几里德假设不适用于非欧几里德数据。这种观点解决了迫切需要克服这些基本的限制,并鼓励扩展古典概率理论和假设检验,扩散模型和随机微分方程从欧几里德空间到非欧几里德空间。诸如自然语言处理、计算机视觉、图形神经网络、流形回归和推理理论、流形学习、图形神经网络、用于概念的自动合成生成的合成扩散模型和去神秘化机器学习系统的人工智能已经迅速发展。微分流形理论是深度学习和数据科学的数学基础。我们迫切需要将数据分析的范式从经典的欧几里得数据分析转变为欧几里得和非欧几里得数据分析,并开发越来越多的创新方法来描述,估计和推断现代真实数据集的非欧几里得几何。欧几里德和非欧几里德数据综合分析的通用框架,复合人工智能,决策智能和边缘人工智能为从根本上推进人工智能提供了强大的创新思想和策略。我们希望将统计学与人工智能结合起来,开发现代统计学的统一理论,并推动下一代人工智能和数据科学。
2022-10-30 cs.LG stat.ME
Sequential Specification Tests to Choose a Model: A Change-Point Approach
针对候选模型序列的最优设定选择问题,提出基于变点思想的序贯设定检验p值分布估计方法,无需调参且对异常p值稳健,经模拟验证并应用于带宽和滞后阶数选择场景。
2022-11-22 stat.AP stat.ME
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
Optimal Parallel Sequential Change Detection under Generalized Performance Measures
本文考虑并行数据流中的变化点检测,这是分析大规模实时流数据时经常遇到的问题。每个流可能有自己的变化点,在那里它的数据具有分布变化。对于连续观察的数据,决策者需要声明每个时间点的流是否已经发生了变化。一旦声明流发生了变化,它将永久停用,以便不再收集其未来的数据。这是一个复合决策问题,因为决策者可能希望优化某些涉及所有流作为一个整体的复合性能指标。因此,对于不同的流,决策不是独立的。我们的贡献是三方面的。首先,我们提出了一个通用的框架,复合性能指标,其中包括在现有的作品中考虑的特殊情况下,并介绍了新的连接密切的单流顺序变化检测和大规模假设检验的性能指标。第二,数据驱动的决策程序在这个框架下开发。最后,最优性结果建立建议的决策程序。所提出的方法和理论进行了评估模拟研究和案例研究。
2022-06-16 math.ST stat.ME 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
Open-end nonparametric sequential change-point detection based on the retrospective CUSUM statistic
在线监测的目的是,一旦收集到的观察结果中有重要证据表明基本数据生成机制发生了变化,就发出警报。这项工作是开放式的,非参数的程序,可以解释为统计检验。所提出的监测方案包括在每个新观测到达后计算所谓的回顾性统计量(或其微小变化)。提出合适的门限函数为所选的检测器后,渐近有效性的程序进行了调查的特殊情况下,监测的平均值的变化,无论是在平稳性和相关的替代品的原假设。为了在实际中进行序贯检验,采用了一种基于渐近回归模型的方法来估计相关极限分布的高分位数。Monte Carlo实验表明,良好的有限样本行为的建议的监测计划,并建议他们优于现有的竞争对手,只要变化不发生在一开始的监测。扩展到统计表现出的渐近平均行为进行了简要讨论。最后,推导出的顺序变点检测测试的应用程序简洁地说明了温度异常数据。
2020-07-20 math.ST stat.ME stat.TH
Asymptotic delay times of sequential tests based on U-statistics for early and late change points
序贯变点检验的目的是在结构突变发生后尽快报警,同时控制渐近虚警误差。对于此类测试,了解检测到断裂的速度尤为重要。虽然这往往是评估模拟,在本文中,我们推导出的渐进分布的顺序变点程序的基础上U-统计的延迟时间。这包括前面讨论过的均值差(DOM)序贯检验,以及一种新的稳健Wilcoxon序贯变点检验。类似的渐近相对效率在一个后验设置,结果使我们能够比较两个程序的检测延迟。结果表明,Wilcoxon序贯过程具有更小的检测延迟较重的尾部分布,这也证实了模拟。虽然以前的文献只得到早期的变化点的结果,我们得到的渐近分布的延迟时间的早期以及后期的变化点。最后,我们评估如何以及渐近分布近似的实际停时有限样本通过模拟研究。
2020-03-19 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
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
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
A likelihood ratio approach to sequential change point detection for a general class of parameters
在本文中,我们提出了一种新的方法,顺序监测的参数的$d$维时间序列,它可以估计的经验分布函数的近似线性泛函。我们考虑了一个封闭的方法,这是出于似然比检验原则,并比较新的方法与两个替代程序。我们还将自我规范化,使长期方差的估计是不必要的。我们证明了对于一个大类的测试问题,新的检测方案具有渐近水平$α$,是一致的。渐近理论的重要情况下,监测的变化的均值,方差和相关性。通过模拟研究表明,新的测试比目前可用的程序更好地执行这些problem.Finally的方法是说明了一个小数据的例子调查指数价格从互联网泡沫。
2018-11-22 math.ST stat.ME stat.TH
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
Sequential block bootstrap in a Hilbert space with application to change point analysis
研究了一种新的函数型数据结构变化检验方法。该方法以希尔伯特空间理论为基础,利用Bootstrap迭代法推导出临界值。因此,需要一个新的关于希尔伯特空间中块自助法的泛函中心极限定理.该测试也可用于检测随机向量的边缘分布的变化,并通过模拟研究进行补充。我们的方法适用于水文数据从德国。
2015-09-15 math.ST stat.TH
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
Nearly second-order asymptotic optimality of sequential change-point detection with one-sample updates
Georgia Institute of Technology(佐治亚理工学院)
分布参数未知时的序列变点检测是统计学和机器学习中的一个基本问题。当参数未知时,我们考虑一组基于序贯似然比的检测过程,其中非预期估计量使用在线凸优化算法(如在线镜像下降)构造,它提供了一种更通用的方法来处理无法找到递归最大似然估计的复杂情况。当底层分布属于指数族并且估计量满足对数遗憾性质,我们证明了这种方法是近二阶渐近最优的。这意味着当阈值趋于无穷大时,算法的虚警率的上界(由平均游程长度测量)渐近地满足下界,直到对数-对数因子。我们的证明是通过建立顺序变点和在线凸优化之间的联系,并利用在线镜像下降算法的对数遗憾界属性。数值和实际数据的例子验证了我们的理论。
2017-12-04 cs.LG math.ST stat.TH
Adaptive Partially-Observed Sequential Change Detection and Isolation
由于传感器在现代工业应用中的可访问性,高维数据已经变得流行。然而,一个具体的挑战是,由于有限的感测功率和资源约束,通常不容易获得完整的测量结果。此外,不同的故障模式可能存在于系统中,它是必要的,以确定真正的故障模式。这项工作的重点是在线自适应监测的高维数据在资源受限的环境中有多种潜在的故障模式。为了实现这一点,我们建议应用Shiryaev-Roberts程序的故障模式的水平,并利用多臂强盗来平衡的勘探和开采。我们进一步讨论了所提出的算法的理论性质,表明所提出的方法可以正确地隔离故障模式。最后,大量的仿真和两个案例研究表明,变点检测性能和故障模式隔离的准确性可以大大提高。
2022-08-25 eess.SP stat.AP stat.ME
Two tests for sequential detection of a change-point in a nonlinear model
本文研究了基于残差的最小和和最小二乘估计的两种检验方法来实时检测非线性模型中的变点。第一个检验统计量提出了一种方法已经在文献中使用,但线性模型的扩展。在每次连续观察时,检验原假设,即相对于存在变化,模型中没有变化。在原假设下给出了检验统计量的渐近分布,并证明了当变量发生变化时,检验统计量依概率收敛于无穷大。这些结果将允许建立一个渐进的临界区域。其次,为了降低第一类错误概率,提出了自举临界值,并以类似的方式研究了一种改进的测试。利用Monte-Carlo方法,对应用广泛的非线性模型进行了模拟,研究了这两种统计检验的性质。
2013-02-27 math.ST stat.TH
Sequential Detection of Common Change in High-dimensional Data Stream
在得到$ARL_0$的精确近似后,我们首先考虑了多变量EWMA图的权参数的最优设计,使平稳平均延迟检测时间(SADDT)最小。在获得$ARL_0$和SADDT后,与移动平均(MA)、广义似然比检验(GLRT)、广义似然比检验(GLRT)和Shiryayev-Roberts(S-R)图进行了数值比较。为了检测稀疏信号的变化,提出了硬阈值和软阈值EWMA图。与其他图表,包括自适应技术的比较表明,EWMA程序应推荐其强大的性能和易于设计。
2022-06-23 math.ST stat.TH
Change, dependence, and discovery: Celebrating the work of T.L. Lai
AGT StatConsult;University of Texas at Austin(德克萨斯大学奥斯汀分校);National Central University(中央大学);Stony Brook University(石溪大学)
本文回顾Tze Leung Lai在序贯分析中的开创性工作,涵盖序贯假设检验、变点检测及非线性更新理论,并总结其最优性结果与生物统计应用。
2025-10-26 math.ST stat.OT stat.TH
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 mutually exciting point processes over networks
Georgia Institute of Technology(佐治亚理工学院);Duke University(杜克大学)
本文提出了一种新的连续检测自激和互激过程变点的方法。使用离散事件数据的霍克斯网络。霍克斯网络已经成为统计学和机器学习的流行模型,因为它们能够对不规则观测数据进行建模,其中事件之间的时间携带大量信息。在霍克斯网络中检测突变的问题来自于各种应用,包括神经元成像,传感器网络和社交网络监控。尽管如此,还没有一个计算和内存有效的在线算法来检测这样的变化,从顺序数据。我们提出了一个有效的在线递归实现的Hawkes过程,既分散和内存效率,并建立了这个新的CRACUUM过程的理论性质的CRACUUM统计。然后,我们表明,建议的CRAMUM方法实现了更好的性能比现有的方法,包括Shewhart程序计数数据的基础上,广义似然比(GLR)在现有的文献中,和标准得分统计。我们证明了这一点,通过一个模拟的例子和应用程序的人口代码变化检测神经网络。
2022-03-04 cs.LG stat.ML
Sketching for Sequential Change-Point Detection
Georgia Institute of Technology(佐治亚理工学院);University of Oxford(牛津大学);Rensselaer Polytechnic Institute(伦斯勒理工学院)
我们研究了基于线性草图的高维信号向量广义似然比(GLR)统计的顺序变点检测程序。GLR统计允许未知的变更后平均值,代表异常或新颖性。我们考虑固定和随时间变化的预测,推导出理论近似的两个基本性能指标:平均运行长度(ARL)和预期的检测延迟(EDD),这些近似值被证明是高度准确的数值模拟。我们进一步表征的相对性能测量的草图过程相比,没有草图,并表明,可以有一点性能损失时,信号强度是足够大的,足够数量的草图被使用。最后,我们展示了良好的性能,使用模拟和真实数据的例子,在电力网络中的太阳耀斑检测和故障检测的草图程序。
2018-04-30 cs.LG stat.ML
Sequential Change Point Detection via Denoising Score Matching
Carnegie Mellon University(卡内基梅隆大学);University of Minnesota(明尼苏达大学);Georgia Institute of Technology(佐治亚理工学院)
本文提出一种基于去噪分数匹配的CUSUM变点检测方法,通过估计数据分布分数函数来检测分布变化,理论分析和实验证明其在高维复杂数据中有效。
2025-01-22 cs.LG stat.ML
Sequential Gradient Descent and Quasi-Newton's Method for Change-Point Analysis
Texas A&M University(得克萨斯农工大学)
检测变点的一种常见方法是在变点的可能数量和位置上最小化成本函数。该框架包括几个完善的程序,如惩罚的可能性和最小描述长度。这种方法需要在数据集的不同段上重复地找到成本值,当(i)数据序列很长并且(ii)获得成本值涉及解决非平凡优化问题时,这可能是耗时的。本文介绍了一种新的顺序方法(SE),可以耦合梯度下降(SeGD)和拟牛顿法(SeN),以有效地找到成本值。其核心思想是使用先前步骤中的信息更新成本值,而无需重新优化目标函数。将该方法应用于广义线性模型和惩罚回归的变点检测。数值研究表明,新的方法可以比修剪精确线性时间(PELT)方法快几个数量级,而不牺牲估计精度。
2022-10-21 cs.LG stat.ML
Partially-Observable Sequential Change-Point Detection for Autocorrelated Data via Upper Confidence Region
Tsinghua University(清华大学);University of Florida(佛罗里达大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
针对资源受限下部分可观测的多元自相关数据序贯变点检测问题,本文提出AUCRSS方案,结合状态空间模型、部分可观测卡尔曼滤波、广义似然比检验与基于上置信区域的自适应采样策略,并通过理论分析和数值实验验证其有效性。
2024-03-30 cs.LG stat.ML
Poisson QMLE for change-point detection in general integer-valued time series models
我们一起考虑的回顾性和顺序变化点检测一般类的整数值时间序列。该过程的条件均值取决于参数$θ^*$,该参数可能随时间变化。我们提出的程序是基于泊松准最大似然估计的参数,更新的估计计算没有历史观测的顺序框架。对于回顾检测和序贯检测,在无变化的原假设下,检验统计量收敛于从标准布朗运动获得的一些分布,而在备选假设下发散到无穷大;也就是说,这些过程是一致的。文中给出了部分模拟结果和实际数据应用。
2020-07-27 math.ST stat.TH
Multiple testing in multi-stream sequential change detection
Carnegie Mellon University(卡内基梅隆大学);Stanford University(斯坦福大学)
研究多流序贯变点检测中的多重检验问题,指出有限ARL与控制传统第一类错误度量存在根本冲突,提出可控制的EOP度量,并结合e-detector框架与e-Benjamini-Hochberg等程序提出新算法,在一般依赖结构下实现误差控制与平滑权衡。
2026-10-19 eess.SP math.ST stat.ME
Optimal Sequential Detection by Sparsity Likelihood
本文研究多数据流序贯变点检测,给出不同稀疏性水平下检测延迟的渐近下界,并提出基于稀疏似然得分的停止规则以实现最优检测,数值实验验证了其有效性。
2023-06-01 math.ST stat.TH
Sequential multi-sensor change-point detection
我们开发了一个混合物的程序来监控并行数据流的变化点,只影响其中的一个子集,而不假设一个空间结构的数据流相互关联。观测最初被假定为独立的标准正态随机变量。在变点之后,数据流子集中的观测值具有非零均值。子集和变更后均值未知。我们研究的过程中使用流特定的广义似然比统计,这是相结合,形成一个整体的检测统计的混合模型,假设一个假定的分数$p_0$受影响的数据流。当没有变化时,得到了平均游程长度(ARL)的解析表达式,并且通过模拟表明是非常准确的。类似地,还获得了在变化点之后的期望检测延迟(EDD)的近似。数值例子给出了比较建议的程序,其他程序的非结构化问题,并在一种情况下,假设该问题有一个明确的几何结构。最后,我们讨论了灵敏度的程序的假设值的$p_0$,并提出了一个推广。
2013-05-09 math.ST stat.TH
Sequential change-point detection in high-dimensional Gaussian graphical models
Institute for Mathematics and its Applications, University of Minnesota(明尼苏达大学数学及其应用研究所);University of Florida(佛罗里达大学);University of Michigan(密歇根大学)
高维分段平稳图模型代表了一个通用的类建模时变网络出现在不同的应用领域,包括生物学,经济学和社会科学。最近的工作是离线检测和估计稀疏图形模型的拓扑结构中的状态变化。然而,在线设置仍然在很大程度上未被开发,尽管其高度相关的传感器网络和其他工程监控系统,以及金融市场的应用。为此,这项工作介绍了一种新的可扩展的在线算法检测未知数量的突变的逆协方差阵的稀疏高斯图形模型的小延迟。该算法是基于监测网络中的所有节点的条件对数似然,并可以扩展到一个大类的连续和离散的图形模型。我们还研究了我们的程序在一定的温和的正则条件下的图的大小,稀疏水平,样本数,和前和后的网络拓扑结构的变化的渐近性质。合成和真实数据的数值工作说明了所提出的方法在众多实验设置的计算和统计效率方面的良好性能。
2018-06-20 cs.LG math.ST stat.ML
Sequential change point detection in high dimensional time series
近年来,高维数据中的变点检测受到了广泛的关注。大多数文献要么设计了回顾性分析的方法,当统计推断开始时,整个样本已经可用,要么考虑在线检测方案控制平均时间,直到误报。本文采取了不同的观点,并制定了监测计划的在线场景,高维数据先后到达,目标是尽可能快地检测变化,同时控制的概率的I型错误的虚警。我们开发了一个连续的过程,能够检测连续观察到的高维时间序列的空间和时间依赖性的均值向量的变化。在样本大小和维数都趋于无穷大的情况下,分析了该方法的统计性质。在这种情况下,它示出了新的监测方案下的原假设的无变化的渐近水平α,并在至少一个组件的高维均值向量的变化的替代下是一致的。该方法是基于一种新型的监测计划的一维数据,这往往是更强大的比通常使用的CRAMUM和Page-CRAMUM方法,和组件明智的统计汇总的最大统计。对于我们的监测方案的渐近性质的分析,我们证明了布朗运动的范围在一个给定的时间间隔是在吸引区域的Gumbel分布,这是一个结果的独立利益的极值理论。通过模拟研究和数据示例分析说明了新方法的有限样本性质。
2020-12-15 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
Two-Sample and Change-Point Inference for Non-Euclidean Valued Time Series
本文针对一般度量空间中具有时间相依性的非欧几里得数据,提出基于自正则化的两样本检验与变点检测方法,推导其理论性质并通过模拟和死亡率、加密货币数据验证其有效性。
2023-07-10 stat.ME
Sequential change point test in the presence of outliers: the density power divergence based approach
在这项研究中,我们考虑的问题,特别是在存在离群值的监测参数的变化。为了提出一个对离群值具有鲁棒性的顺序过程,我们使用密度功率发散来推导出构成我们过程的检测器和停止时间。首先,我们调查的渐近性质,我们的顺序程序独立同分布。序列,然后将所提出的程序扩展到平稳的时间序列模型,在那里我们提供了一组充分条件,在该条件下,所提出的程序具有渐近控制的大小和一致性的权力。作为一个应用,我们的程序被应用到Gestival模型。我们通过仿真研究证明了所提出的方法的有效性和鲁棒性。最后,两个真实的数据分析,以说明所提出的顺序过程的有用性。
2021-06-27 stat.ME
Sequential nonparametric tests for a change in distribution: an application to detecting radiological anomalies
我们提出了一个序贯非参数检验检测分布的变化,基于窗口Kolmogorov-Smirnov统计。该方法简单、鲁棒、计算效率高、易于校准,并且不需要对潜在的零分布和替代分布进行参数假设。我们表明,无论是误报率和权力,我们的程序是经得起严格的分析,该方法优于现有的顺序测试程序在实践中。然后,我们将该方法应用于检测放射性异常的问题,使用从测量的背景伽马辐射光谱在一个大型大学校园收集的数据。在这种情况下,所提出的方法导致执法和边境安全应用中感兴趣的放射性异常的检测时间的大幅改善。
2016-12-23 stat.ME
Testing for a change of the innovation distribution in nonparametric autoregression - the sequential empirical process approach
考虑了条件异方差下的非参数自回归模型,目的是检验新息分布是否随时间变化。为此,我们开发了一个渐进展开的顺序经验过程的非参数估计的创新(残差)。我们建议一个Kolmogorov-Smirnov统计量的基础上建立的第一个ns和最后n-ns残差,分别估计的创新分布的差异。在无变点的原假设下,证明了基本随机过程弱收敛于高斯过程。结果表明,该检验是渐近分布自由的。显示了与固定替代方案的一致性。在模拟研究中,所提出的测试的小样本性能进行了研究,并将测试应用于数据的例子。
2012-11-06 stat.ME
Item Quality Control in Educational Testing: Change Point Model, Compound Risk, and Sequential Detection
在标准化教育考试中,试题在多个考试管理中重复使用。为了保证测验成绩的效度,测验项目的心理测量学属性应随时间保持不变。在本文中,我们考虑的顺序监测的测试项目,特别是,检测突然变化的心理测量特性,其中的变化可能会导致,例如,泄漏的项目或相应的课程的变化。我们提出了一个统计框架,用于检测单个项目的突然变化。该框架包括(1)描述项目顺序变化的多流贝叶斯变点模型,(2)量化顺序决策风险的复合风险函数,以及(3)控制复合风险的顺序决策规则。在整个顺序的决策过程中,建议的决策规则之间的权衡两个来源的错误,错误检测的变更前的项目和不检测变更后的项目。提出了一种基于项目反应理论模型的项目特异性监测统计量,该模型消除了随时间变化的考生群体的混杂。序贯决策规则和它们的理论性质是在两种设置下开发的:贝叶斯变点模型完全已知的Oracle设置和模型的一些参数未知的更现实的设置。模拟研究是在模拟真实操作测试的设置下进行的。
2021-10-23 stat.AP stat.ME