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 novel changepoint detection algorithm
本文提出一种新颖的时间序列变点检测算法及序列下一点分布预测框架，经与GLR算法对比，其在宽场景下性能相当或更优，且信噪比越低优势越明显，但本文所用实现存在错误，结果不可靠。
2026-10-27 stat.AP stat.CO
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
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
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
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
High-dimensional, multiscale online changepoint detection
我们介绍了一种新的方法，高维，在线变点检测设置中的$p$变量高斯数据流可能会发生变化的意思。该过程的工作原理是对每个坐标中不同尺度的简单替代品执行似然比检验，然后聚合尺度和坐标上的检验统计量。该算法是在线的，因为它的存储需求和每个新观测的最坏情况计算复杂度都与先前观测的数量无关;在实践中，它甚至可能比这快得多。我们证明了耐心，或平均运行长度下的空，我们的程序至少在所需的标称水平，并提供保证其响应延迟下的替代方案，依赖于稀疏的向量的平均变化。模拟证实了我们的建议，这是在R包'ocd'实施的实际有效性，我们也证明了它的效用地震数据集。
2020-10-10 math.ST stat.CO stat.ME
Sharp phase transitions in high-dimensional changepoint detection
研究高维变点检测的假设检验问题，通过检测边界公式刻画信息论极限，划分参数空间为可检测与不可检测区域，揭示稀疏性和信号强度对检测能力的影响。
2025-03-26 math.ST stat.TH
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 Log-Linear Non-Parametric Online Changepoint Detection Algorithm based on Functional Pruning
本文提出非参数在线变点检测算法NP-FOCuS，利用经验累积密度函数和函数剪枝实现对数线性计算成本，在多种场景下检测功效优于现有非参数方法。
2024-01-11 stat.CO stat.ME stat.ML
An Efficient Likelihood Ratio Test for Online Changepoint Detection in the Presence of Autocorrelation
School of Mathematical Sciences Lancaster University（兰卡斯特大学数学科学学院）
研究在数据存在自相关时的在线变点检测问题，将广义似然比统计量扩展到p阶自回归过程，结合聚焦算法开发出AR（p）-聚焦算法，该算法计算高效，适用于高频数据流，检测能力优于基于IID的检验。
2026-07-20 stat.CO stat.ME stat.ML
Changepoint Detection over Graphs with the Spectral Scan Statistic
我们考虑的变点检测问题的决定，噪声测量的基础上，是否一个未知的信号在一个给定的图是恒定的，而是分段恒定的两个连接的诱导子图相对较低的切割尺寸。我们分析了相应的广义似然比（GLR）统计量，并将其与图中稀疏割问题联系起来。我们开发了一个易于处理的放松的GLR统计的基础上的组合拉普拉斯的图，我们称之为谱扫描统计，并分析其性质。我们展示了它的性能作为一个测试程序直接依赖于图的频谱，并使用这个结果来明确推导出它的渐近性质的一些重要的图拓扑结构。最后，我们从理论上和模拟表明，频谱扫描统计可以优于朴素的测试程序的基础上边缘阈值和$χ^2$测试。
2012-06-04 cs.IT math.IT math.ST
Minimax rates in sparse, high-dimensional changepoint detection
我们研究了一个稀疏变化的检测在一个高维均值向量作为一个极大极小测试问题。我们的第一个主要贡献是得到确切的极小极大检验率在所有参数制度的$n$独立，$p$变量高斯观测。当稀疏度为$\sqrt{p \log \log (8n)}$阶时，该速率呈现相变，并且对样本量具有非常微妙的依赖性：在一定的稀疏度范围内，它涉及到~ $n$中的三重迭代对数因子。此外，在一个密集的渐近制度，我们确定了尖锐的领先常数，而在相应的稀疏渐近制度，这个常数被确定为在一个因素的$\sqrt{2}$。扩展，覆盖空间和时间的依赖性，主要是在密集的情况下，也提供。
2020-11-17 math.ST stat.ME stat.TH
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
Computing Valid p-value for Optimal Changepoint by Selective Inference using Dynamic Programming
Nagoya Institute of Technology（名古屋工业大学）；RIKEN（理化学研究所）
有大量的文献涉及检测变点（CP）的方法。然而，较少注意已支付的检测CP的统计可靠性评估。在本文中，我们介绍了一种新的方法来执行统计推断的重要性的CP，估计的动态规划（DP）为基础的最佳CP检测算法。基于选择性推理（SI）框架，我们提出了一种精确（非渐近）的方法来计算有效的p值，用于检验CP的显著性。虽然众所周知，SI具有低的统计功效，因为过度调节，我们解决这个缺点，通过引入参数编程技术。然后，我们提出了一种有效的方法进行SI与最小量的条件，导致高统计功效。我们在合成数据集和真实数据集上进行了实验，通过这些实验，我们证明了我们提出的方法比现有方法更强大，在计算效率方面具有良好的性能，并在许多实际应用中提供了良好的结果。
2021-02-22 cs.LG stat.ME stat.ML
Online Multivariate Changepoint Detection: Leveraging Links With Computational Geometry
本文利用计算几何联系，提出在线精确及近似算法计算多元数据流中变点的似然比检验，支持稀疏变化，具有拟线性复杂度，并在高斯情形下提供统计保证，实验验证有效。
2025-06-30 stat.CO
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
High-dimensional nonparametric changepoint detection via low-rank degree-two density projection
North Carolina State University（北卡罗来纳州立大学）；Georgia Institute of Technology（佐治亚理工学院）
本文提出基于低秩二阶密度投影的高维非参数变点检测方法，利用低秩矩阵CUSUM等技术实现变点精确检测，在高维数据实验中表现优异。
2026-08-17 cs.LG stat.ML
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
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
Estimating Changepoints in Extremal Dependence, Applied to Aviation Stock Prices During COVID-19 Pandemic
本文利用二元Hüsler-Reiss分布建模航空股日收益率的极端依赖性，提出基于LRT和MIC的变点检测方法，并成功识别COVID-19期间印度航空股依赖性变点，为投资组合优化提供支持。
2024-06-14 stat.AP
Minimax rates in variance and covariance changepoint testing
本文研究高维次高斯数据协方差矩阵变点检验的极小极大速率，证明单变量情形的精确速率为loglog(8n)，在算子范数下给出稀疏变化的下界并构造匹配的最优检验，同时提出计算可行且对噪声水平和稀疏性自适应的多元检验方法。
2025-02-10 math.ST stat.TH
Stein Variational Online Changepoint Detection with Applications to Hawkes Processes and Neural Networks
G-Research；Monash University（莫纳什大学）
贝叶斯在线变点检测（BOCPD）（Adams & MacKay，2007）提供了一种严格可行的方法来识别复杂系统中的变点。在这项工作中，我们引入了Stein变分在线变点检测（SVOCD）方法，以提供一个计算上易于处理的概括BOCPD超出指数家庭的概率分布。我们集成了最近开发的Stein变分牛顿（SVN）方法（Detommaso等人，2018年）和BOCPD提供了一个完整的在线贝叶斯处理大量的情况下，在实践中具有重要意义。我们将所得方法应用于两个具有挑战性的新颖应用：Hawkes过程和长短期记忆（LSTM）神经网络。在这两种情况下，我们成功地证明了我们的方法对真实数据的有效性。
2019-05-25 cs.LG stat.ML
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
Active multi-fidelity Bayesian online changepoint detection
Princeton University（普林斯顿大学）；Arm ML Research Lab（Arm机器学习研究实验室）
用于检测变化点或时间序列的行为中的突然转变的在线算法通常利用有限的资源来部署，移动电话或工业传感器等边缘计算环境。在这些情况下，将收集环境测量的成本与该测量的质量或"保真度"以及测量如何影响变点估计进行交易可能是有益的。例如，可以在惯性测量或GPS之间做出决定，以确定运动的变化点。贝叶斯变点检测方法特别有吸引力，因为我们可以表示关于变点的后验不确定性，并对数据保真度做出积极的、成本敏感的决策，以减少这种后验不确定性。此外，通过主动保真切换，总成本可以大大降低，同时对数据分布的变化保持鲁棒性。我们提出了一个多保真度的方法，使成本敏感的决定，收集数据保真度的基础上最大限度地提高信息增益的变化点。我们对合成，视频和音频数据的框架进行了评估，并表明这种基于信息的方法可以在降低总成本的同时实现准确的预测。
2021-07-25 cs.LG stat.ML
Deep Learning for Multi-Scale Changepoint Detection in Multivariate Time Series
Stevens Institute of Technology（史蒂文斯理工学院）
许多真实世界的时间序列，例如健康，都有系统结构或参数发生变化的变点。由于变化点可以指示疾病发作等关键事件，因此检测它们非常重要。然而，现有的方法变点检测（CPD）往往需要用户指定的模型，不能识别逐渐发生的变化或在多个时间尺度。为了解决这两个问题，我们展示了如何将CPD视为一个监督学习问题，并提出了一个新的深度神经网络架构，以有效地识别多个时间尺度上的突变和渐变。我们提出的金字塔递归神经网络（PRN）提供了尺度不变性，使用小波和金字塔分析技术，从多尺度信号处理。通过对合成数据集和真实世界数据集的实验，我们表明PRN可以以比现有技术更高的准确度检测突变和渐变，并且可以外推以在训练中看不到的新尺度检测变化点。
2019-05-16 cs.LG stat.ML
Robust and Scalable Bayesian Online Changepoint Detection
University College London（伦敦大学学院）；The Alan Turing Institute（艾伦·图灵研究所）
提出一种在线、可证明鲁棒且可扩展的贝叶斯变点检测算法，利用广义贝叶斯和扩散分数匹配实现闭式共轭后验，速度比最接近方法快10倍以上。
2023-05-12 cs.LG stat.ML
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
Lagged Exact Bayesian Online Changepoint Detection with Parameter Estimation
识别序列数据生成过程中的变化，称为变点检测，已经成为各种领域越来越重要的主题。最近开发的一种方法，我们称之为精确在线贝叶斯变点检测（EXO），已经显示出合理的结果与实时更新的有效计算。该方法基于\textit{forward}递归消息传递算法。然而，从这些方法检测到的变化点是不稳定的。我们提出了一种新的算法称为滞后精确在线贝叶斯变点检测（LEXO），提高了检测的准确性和稳定性，通过将$\ell$ -时间滞后的推理。新算法在前向EXO算法中增加了一个递归的\textit{backward}步，计算复杂度与增加的滞后数成线性关系。与政权相关的参数估计也被开发。三个常见的变点模型的仿真研究表明，从LEXO检测到的变点是更稳定的，从LEXO参数估计有相当低的MSE比EXO。我们说明了两个现实世界的数据例子比较EXO和LEXO的方法的适用性。
2018-10-13 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
Bayesian Online Changepoint Detection
变点是数据序列的生成参数的突变。在线检测变点在金融、生物识别和机器人等应用领域的时间序列建模和预测中非常有用。虽然频率论方法已经产生了在线过滤和预测技术，大多数贝叶斯论文都集中在回顾性分割问题。在这里，我们研究的情况下，模型参数之前和之后的变点是独立的，我们推导出一个在线算法的精确推断最近的变点。我们使用一个简单的消息传递算法来计算当前"运行“的长度的概率分布，或者自上一个变点以来的时间。我们的实现是高度模块化的，因此该算法可以应用于各种类型的数据。我们通过在三个不同的真实数据集上演示该算法来说明这种模块化。
2007-10-19 stat.ML
Benchmarking changepoint detection algorithms on cardiac time series
Emory University（埃默里大学）；Georgia Institute of Technology（佐治亚理工学院）；University of California at San Diego（加利福尼亚大学圣迭戈分校）
本研究提出了一种选择变点检测算法的原则性方法，并在人工和真实心脏数据上比较了八种算法，发现RMDM在分类任务中表现最佳，准确率达0.89，为疾病分类提供了有效工具。
2024-04-16 cs.LG stat.ML
Optimal distribution-free sequential change detection with conformal martingales
Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院）；Stanford University（斯坦福大学）
研究分布自由的序贯变点检测，基于共形鞅提出极小极大最优的e-过程和e-检测器，将延迟从现有方法的Ω(T)和Ω(√ARL)改进为Θ(log T)和Θ(log ARL)。
2026-11-05 math.ST stat.ME stat.ML
Slow Momentum with Fast Reversion: A Trading Strategy Using Deep Learning and Changepoint Detection
Oxford-Man Institute of Quantitative Finance, University of Oxford（牛津大学牛津-曼量化金融研究所）
动量策略是另类投资的重要组成部分，也是商品交易顾问（CTA）的核心。然而，这些策略被发现难以适应市场条件的快速变化，例如在2020年市场崩溃期间。特别是，在动量转折点之后，趋势从上升趋势（下降趋势）逆转为下降趋势（上升趋势），时间序列动量（TSTK）策略很容易做出错误的押注。为了改善对状态变化的响应，我们引入了一种新的方法，在这种方法中，我们将在线变点检测（CPD）模块插入深度动量网络（DMN）[1904.04912]管道中，该管道使用LSTM深度学习架构同时学习趋势估计和位置调整。此外，我们的模型能够优化它平衡的方式：1）利用持续趋势的缓慢动量策略，但不会对局部价格变动做出过度反应，2）快速均值回归策略制度，通过快速翻转其位置，然后再次将其交换回来以利用局部价格变动。我们的CPD模块输出一个变点位置和严重性分数，允许我们的模型学习以数据驱动的方式响应不同程度的不平衡，或更小和更局部化的变点。回溯测试我们的模型在1995-2020年期间，CPD模块的增加导致夏普比率提高了三分之一。该模块在显著的非平稳性时期特别有益，特别是在最近几年的测试中（2015-2020年），性能提升约为三分之二。这很有趣，因为传统的势头战略在这一时期表现不佳。
2021-12-20 cs.LG q-fin.TR stat.ML
Optimizing ROC Curves with a Sort-Based Surrogate Loss Function for Binary Classification and Changepoint Detection
受试者工作特征（ROC）曲线是真阳性率与假阳性率的曲线图，可用于评估二元分类模型，但难以用于学习，因为曲线下面积（AUC）是非凸的。ROC曲线也可以用于其他具有假阳性和真阳性率的问题，例如变点检测。我们表明，在这种更一般的情况下，ROC曲线可以有循环，具有高度次优错误率的点，以及AUC大于1。这一观察激发了一个新的优化目标：而不是最大化AUC，我们希望AUC=1的单调ROC曲线避免Min（FP，FN）值较大的点。我们提出了这个目标的凸松弛，导致一个新的替代损失函数，称为AUM，最小面积（FP，FN）的缩写。虽然以前的损失函数是基于对所有标记的示例或对进行求和，但AUM需要对ROC曲线上的点序列进行排序和求和。我们表明，AUM方向导数可以有效地计算和梯度下降学习算法中使用。在我们对监督二进制分类和变点检测问题的实证研究中，我们证明了我们新的AUM最小化学习算法可以提高AUC，并且相对于以前的基线速度相当。
2021-07-02 cs.LG stat.ML
A Graph-constrained Changepoint Detection Approach for ECG Segmentation
Northern Arizona University（北亚利桑那大学）
心电图（ECG）信号是心血管疾病评估中最常用的无创工具。分割ECG信号以定位其本构波，特别是R峰，是ECG处理和分析中的关键步骤。多年来，已经提出了几种具有不同特征的分割和QRS波群检测算法;然而，它们的性能高度依赖于应用预处理步骤，这使得它们在流动护理环境和远程监测系统的实时数据分析中不可靠，其中收集的数据具有很强的噪声。此外，一些问题仍然存在与当前算法在不同的形态类别的ECG信号和他们的高计算成本。在本文中，我们介绍了一种新的基于图形的最佳变点检测（GCCD）的R峰位置的可靠检测方法，而不采用任何预处理步骤。该模型保证计算全局最优的变点检测解决方案。它也是通用的性质，可以应用于其他时间序列的生物医学信号。基于MIT-BIH心律失常（MIT-BIH-AR）数据库，所提出的方法实现了总体灵敏度Sen = 99.76，阳性预测率PPR = 99.68，检测错误率DER = 0.55，与其他最先进的方法相当。
2020-04-24 cs.LG eess.SP stat.ML
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
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
A log-linear time algorithm for constrained changepoint detection
变点检测是时间序列和基因组数据中的核心问题。对于某些应用程序，对更改的方向施加约束是很自然的。一个例子是ChIP-seq数据，对于该数据，添加上下约束提高了峰值检测精度，但使优化问题更加复杂。我们展示了如何最近提出的功能修剪技术可以适应解决这种约束的变点检测问题。这导致了一个新的算法，它可以解决问题的任意仿射约束相邻段的手段，并具有经验的时间复杂度是对数线性的数据量。该算法在几个基因组数据集的基准测试中达到了最先进的精度，并且比具有类似精度的现有算法快了几个数量级。我们的实现可以作为coseg R包中的PeakSegPDPA函数获得，https://github.com/tdhock/coseg
2017-03-09 q-bio.GN stat.CO stat.ML
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
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
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
Hierarchical Quickest Change Detection via Surrogates
Virginia Tech（弗吉尼亚理工大学）；University of Arizona（亚利桑那大学）
时间序列数据中的变化检测（CD）是一个关键问题，因为它揭示了驱动时间序列的潜在生成过程中的变化。尽管受到了极大的关注，一个重要的未探索的方面是如何有效地利用额外的相关信息，以提高检测和理解的变化点。我们提出了分层最快变化检测（HQCD），一个框架，正式的过程中，将额外的相关源早期变点检测。HQCD背后的核心思想植根于最快检测理论，HQCD可以被视为其对分层设置的新推广。源被分类为目标和代理，HQCD利用这种结构来系统地吸收观测数据，以更新跨层的变点统计。通过最小化延迟同时仍然保持可靠性界限来提供对实际变化点的决策。此外，HQCD还揭示了目标变化与代理变化之间的有趣关系。我们验证HQCD的可靠性和性能对几个国家的最先进的方法，为合成数据集（已知的变点）和几个现实生活中的例子（未知的变点）。实验结果表明，HQCD算法在不损失检测延迟的前提下，获得了显著的鲁棒性。我们的现实生活中的实验也展示了层次设置的有用性，通过连接代理源（如Twitter聊天）到目标源（如最终导致重大起义的与就业有关的抗议活动）。
2016-03-31 cs.IT cs.LG math.IT
Consistency of penalized maximum likelihood estimation for multidimensional change-in-velocity detection
Duke University School of Medicine（杜克大学医学院）；University of Chicago（芝加哥大学）；Tulane University（杜兰大学）
本文证明了CPLASS方法中惩罚最大似然估计量在高频数据下对分段线性轨迹变点检测的一致性，给出了变点位置误差的收敛速率。
2026-10-06 math.ST stat.TH
Changepoint detection for high-dimensional time series with missing data
Duke University（杜克大学）
本文提出了一种新的方法来检测变点时，观察高维数据可能有丢失的元素。经典的变点检测方法的性能通常与数据的维数成比例，因此在真正的变点之后收集大量的观测值，然后才能可靠地检测到。此外，观察到的数据中缺少的成分阻碍了传统的方法。所提出的方法通过将数据的动态分布建模为接近嵌入在环境观测空间内的时变低维子流形来解决这些挑战。具体而言，流数据用于跟踪子流形近似，测量与该近似的偏差，并计算偏差的一系列统计数据，以检测底层流形何时以急剧或意外的方式改变。本文所述的方法利用了高维数据分析领域的几个最新成果，包括缺失数据的子空间跟踪、点云的多尺度分析技术、在线优化和变点检测性能分析。仿真和实验突出了所提出的方法在检测突变，否则缓慢变化的低维流形的鲁棒性和有效性。
2012-12-07 cs.LG stat.ML
Multiple change-points detection based on U-Statistics under weak dependence
Chouaib Doukkali University（舒艾卜杜卡利大学）
本文提出基于U统计量的多重转折点检测方法，适用于弱依赖序列，在绝对正则条件下证明测试一致性，并通过模拟验证其在检测均值、方差和自相关变化中的有效性。
2025-11-23 math.ST stat.TH
Selective Inference for Changepoint detection by Recurrent Neural Network
RIKEN（理化学研究所）；Nagoya University（名古屋大学）；Nagoya Institute of Technology（名古屋工业大学）
本研究针对RNN检测时间序列变点时易将噪声误判的问题，提出基于选择性推断（SI）框架的新方法，通过为检测到的变点提供理论上有效的p值来严格控制错误检测风险，并经实验验证了方法的有效性。
2023-11-25 cs.LG stat.ML
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
Bandit Quickest Changepoint Detection
Indian Institute of Science（印度科学学院）；Boston University（波士顿大学）
针对传感器资源受限下的突变检测问题，提出bandit最快变点检测的在线感知方案，推导了信息论下界与方案的期望延迟界，证明低虚警率下的最优性，实验验证了方法有效性。
2023-06-13 cs.IT cs.LG math.IT
CP-PINNs: Data-Driven Changepoints Detection in PDEs Using Online Optimized Physics-Informed Neural Networks
Stony Brook University（石溪大学）；Center of Excellence in Wireless and Information Technology（无线与信息技术卓越中心）；Institute for Advanced Computational Science（高级计算科学研究所）
本文提出CP-PINNs，通过在物理信息神经网络中引入总变差惩罚和在线损失重加权，解决PDE动力学参数随机时间发生突变时的逆问题，实现变点检测与参数估计的同步优化。
2024-04-01 cs.AI cs.LG cs.NA
Efficient Change-Point Detection for Tackling Piecewise-Stationary Bandits
ENS Rennes（雷恩高等师范学院）；IRISA（雷恩信息与随机系统研究所）；Inria Rennes（法国国家信息与自动化研究所雷恩中心）；Univ. Lille（里尔大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Centrale Lille（里尔中央理工学院）；Lelivrescolaire.fr Éditions（Lelivrescolaire.fr出版社）
本文介绍了一种求解分段iid非平稳有界报酬强盗问题的新算法GLR-klUCB。该算法结合了一个有效的强盗算法，kl-UCB，一个有效的，无参数，变点检测器，伯努利广义似然比检验，我们提供了新的理论保证独立的利益。与使用变点检测器的先前非平稳强盗算法不同，GLR-klUCB不需要基于关于臂的均值的先验知识来校准。我们证明了该算法可以获得一个$O(\sqrt{TA Υ_T\log(T)})$遗憾的$T$轮在一些“简单”的情况下，其中A是臂的数量和$Υ_T$的数量的变化点，没有先验知识的$Υ_T$。与最近提出的算法是不可知的$Υ_T$相比，我们进行了数值研究表明，GLR-klUCB在实践中也是非常有效的，超越简单的实例。
2020-12-08 cs.LG math.ST stat.ML
Fast Online Changepoint Detection via Functional Pruning CUSUM statistics
提出FOCuS算法，通过函数剪枝CUSUM统计量在所有窗口大小和变化幅度上同时进行在线变点检测，实现对数级计算成本，并在服务器异常检测中取得最优性能。
2022-07-27 stat.CO stat.ME stat.ML
Sequential Changepoint Approach for Online Community Detection
Georgia Institute of Technology（佐治亚理工学院）
我们提出了新的算法来检测一个社区的出现在大型网络中的连续观测。网络建模使用Erdos-Renyi随机图与边缘之间形成的社区中的节点具有较高的概率。基于统计变点检测方法，我们开发了三种算法：穷举搜索（ES）方法，混合方法和分层混合（H-Mix）方法。这些方法的性能进行评估的平均运行长度（ARL），它捕获的频率的虚警，和检测延迟。数值比较表明，ES方法的性能最好，但它是指数复杂。混合方法是多项式复杂的，通过利用社区的大小在大型网络中通常很小的事实。然而，它可能对不形成社区的一组活动边做出反应。这个问题是解决的H-Mix方法，这是基于网络的树状图分解。当阈值较大时，我们给出了混合方法ARL的渐近解析表达式。数值模拟验证了我们的近似是准确的，即使在非渐近制度。因此，它可以用于有效地确定期望的阈值。最后，数值算例表明，混合方法和H-Mix方法都可以快速检测出一个社区，而复杂度低于ES方法。
2014-07-24 cs.LG cs.SI math.ST
