Simultaneously detecting spatiotemporal changes with penalized Poisson regression models
本研究提出基于Poisson回归模型的双重融合惩罚方法，通过迭代收缩阈值算法同时检测时空计数数据的变点与空间聚类，并验证了其统计一致性与优越性能。
2025-05-01 stat.ME
From sparse to dense functional time series: phase transitions of detecting structural breaks and beyond
本文提出基于B样条平滑CUMSUM过程的函数型时间序列结构突变检测方法，建立稀疏到密集相变理论、断点收敛速率及跳跃幅度推断，并通过数值实验和电价、温度数据验证其有效性。
2024-12-30 math.ST stat.ME stat.TH
Detecting Abrupt Changes in High-Dimensional Self-Exciting Poisson Processes
高维自激点过程已被广泛应用于许多应用领域，以模拟过去和当前事件影响未来事件可能性的离散事件数据。在本文中，我们关注的是检测离散时间高维自激泊松过程中的系数矩阵的突变，这还没有被研究在现有的文献中，由于理论和计算的挑战植根于非平稳和高维的基本过程的性质。我们提出了一个惩罚的动态规划方法，这是支持的理论率分析和数值证据。
2020-06-05 math.ST stat.ME stat.TH
Detecting changes in the trend function of heteroscedastic time series
我们提出了一个新的渐近检验来评估一个时间序列的平均值的平稳性，适用于同时存在异方差和短程依赖。我们的检验统计量由局部样本均值的基尼均值差组成。为了分析其渐近行为，我们发展了新的极限理论的U-统计量的强混合三角形阵列下的非平稳。最重要的是，我们显示渐近正态性的检验统计量的假设下，一个恒定的平均值，并证明了测试的一致性对一个非常一般的类的替代品，包括平滑和突然的变化的平均值。我们提出了所有参数的估计，包括一个适应的子采样估计长期方差，并显示其一致性。我们的程序实际上是在一个广泛的模拟研究和两个数据的例子进行评估。
2021-08-20 math.ST stat.TH
A change-point detection method for detecting and locating the abrupt changes in distributions of damage-sensitive features of SHM data, with application to structural condition assessment
利用监测数据诊断结构性能变化是结构健康监测的重要目标。结构行为的变化通常表现为监测结构响应的特征变化，因此，开发有效的方法来自动检测这种变化是相当有意义的。现有的SHM中的变化检测方法主要用于标量或矢量数据，因此无法检测由复杂数据表示的特征的变化，例如，概率密度函数（PDF）检测突变发生在与从SHM数据中提取的损伤敏感特征相关的分布（由PDF表示）中通常对结构状态评估至关重要;然而，SHM社区仍然缺乏有效的诊断工具来检测这种变化。在PDF值序列的函数数据分析框架下，提出了一种变点检测方法，用于诊断结构状态评估中遇到的分布信息突变。PDF值数据建模或分析中的一个主要挑战是PDF是受到非线性约束的特殊函数数据。针对这一问题，将PDF嵌入到贝叶斯空间中，利用贝叶斯空间的线性结构构造相应的变点模型，并基于贝叶斯空间与泛函线性空间的同构映射，提出了一种基于假设检验的分布变点检测方法.仿真结果验证了该方法的有效性，并证明了其优越性。最后，一个应用程序，以实际的SHM数据说明其在结构状态评估的实际效用。
2022-06-12 stat.AP stat.ME
Detecting structural breaks in seasonal time series by regularized optimization
现实世界的系统往往是复杂的、动态的和非线性的。从观测到的时间序列中理解系统的动态特性是预测和控制系统行为的关键。虽然大多数现有的技术都默认了某种形式的平稳性或连续性，但通常由于外部干扰或内在动态的突然变化而引起的突变在时间序列中很常见。结构突变是指时间序列的统计模式发生变化的时间点，对数据分析构成相当大的挑战。如果不识别这样的突变点，相同的动态规则将应用于整个观察期，而错误的识别结构突变可能导致过拟合。在本文中，我们把一个时间序列分解成趋势和季节分量的问题转化为一个优化问题。这个问题是不适定的，因为参数的数目是任意的。为了克服这一困难，我们提出增加一个惩罚函数（即，正则化项），其说明参数的数量。我们的方法同时识别季节性和趋势，而不需要迭代，并允许可靠的检测结构性突变。该方法适用于记录的鱼类种群和海洋表面温度的数据，在那里它检测到结构性断裂，否则会被忽视。这表明，我们的方法可以导致一个通用的方法来监测，预测和预防实际系统中的结构变化。
2015-05-16 stat.AP stat.CO
Inference for Multiple Change-points in Piecewise Locally Stationary Time Series
The Hang Seng University of Hong Kong（香港恒生大学）；The Chinese University of Hong Kong（香港中文大学）
本文提出了一种基于似然的方法，用于推断局部平稳时间序列中的多个转折点，区分跳跃和拐点，并建立了相应的渐近分布。
2026-01-15 math.ST stat.ME stat.TH
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
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
Early warning indicators via latent stochastic dynamical systems
School of Mathematics and Statistics, Huazhong University of Science and Technology（华中科技大学数学与统计学院）；Center for Mathematical Science, Huazhong University of Science and Technology（华中科技大学数学科学中心）；Steklov-Wuhan Institute for Mathematical Exploration, Huazhong University of Science and Technology（华中科技大学斯捷克洛夫-武汉数学探索研究所）；Department of Mathematics and Department of Physics, Great Bay University（大湾区大学数学与物理系）
本文提出有向各向异性扩散映射以提取低维隐动力学，并基于隐随机动力系统构建三种早期预警指标，在真实脑电数据上验证了其检测状态转变临界点的有效性。
2024-04-05 cs.LG stat.ML
Dynamic and heterogeneous treatment effects with abrupt changes
从个性化医疗到定向广告，提供一系列具有历史协变量和结果数据的决策是一项固有的任务。这需要理解处理效应的动力学和异质性。在本文中，我们关注的是检测突然变化的处理效应的条件平均处理效应（CATE）在一个连续的方式。更具体地说，在每个时间点，我们考虑非参数模型，以实现最大的灵活性和鲁棒性。随着时间的推移，我们允许时间依赖于历史协变量和噪声函数。我们提供了一个基于核的变点估计，这是一致的，在其检测延迟，平均运行长度控制。数值结果支持我们的理论研究结果。
2022-06-18 math.ST stat.ME stat.TH
Detecting Performance Degradation of Software-Intensive Systems in the Presence of Trends and Long-Range Dependence
随着当代软件密集型系统达到越来越大的规模，这是必要的，故障检测方案的开发，以帮助防止昂贵的系统停机时间。一个有前途的方向建设这样的计划是利用容易获得的测量系统的性能特征，如处理的请求和队列大小的平均数量每单位时间。在这项工作中，我们研究了一个整体的方法来检测的突然变化的时间序列数据中存在的准季节性的趋势和长期的依赖性，重点是故障检测计算机系统。我们提出了一种趋势估计方法，在存在远程相关噪声的情况下，估计被认为是“正常”的系统行为。为了检测变点和异常，我们开发了一种基于“弱”检测器的集成方法。我们使用人工数据集，公开可用的Abilene数据集以及专有的地理信息系统数据集演示了所提出的变点检测方案的性能。
2016-09-24 stat.AP stat.CO stat.ME
Nuisance Parameters Free Changepoint Detection in Non-stationary Series
检测时间序列的平均值的突变，即所谓的变点，对于许多应用是重要的。然而，许多程序依赖于冗余参数（如长期方差）的估计。在另一种情况下（平均值的变化），估计器可能会有偏差，并且用于选择调优参数的数据自适应规则可能不会像预期的那样工作。如果数据不是平稳的，而是异方差的，这就变得更具挑战性。本文的目的是提出和调查两个变点测试，这既不涉及滋扰，也不调整参数。这是通过结合自规范化和野生自举来实现的。我们研究的渐近行为，并显示自举的一致性的假设下，以及根据替代，假设温和的条件下的弱依赖的时间序列，并允许方差随时间变化。作为所提出的测试的副产品，一个变点估计，并证明其一致性。结果表明，通过模拟研究，这表明计算效率的开发方法。新的测试也将应用于金融和水文的真实数据示例。
2018-08-13 math.ST stat.TH
Self-Normalization for CUSUM-based Change Detection in Locally Stationary Time Series
FH Aachen（亚琛应用科学大学）
本文提出一种新的双变量部分和过程，用于局部平稳时间序列中的变化检测，通过自归一化CUSUM检验统计量实现对均值变化的检测。在局部平稳条件下，通过双变量部分和过程构建自归一化检验统计量，克服了传统自归一化方法的限制，具有良好的渐近性质和有限样本性能。
2026-04-14 math.ST stat.ME stat.TH
Testing for breaks in variance structures with smooth changes
研究了平滑时变方差结构下的方差突变检测问题。值得强调的是，测试的基础上（分段）恒定规格的方差是不能区分平滑的非恒定方差和突变的情况下，存在。因此，提出了一种新的检测方差突变的方法，同时考虑到方差的平滑变化。通过蒙特卡罗实验研究了本文所介绍的检验的有限样本性质。使用美国宏观经济数据说明了理论输出。
2017-07-21 stat.ME
Are deviations in a gradually varying mean relevant? A testing approach based on sup-norm estimators
经典变点分析的目的是（1）检测可能非平稳时间序列的均值的突变，以及（2）识别均值呈现分段恒定行为的区域。然而，在许多应用中，更合理的假设是平均值以平滑的方式逐渐变化。这些逐渐变化可能是不相关的（即，小），或与手头的具体问题有关，本文件提出了统计方法来检测后者。更确切地说，我们认为常见的非参数回归模型$X_{i} = μ(i/n) + \varepsilon_{i}$可能具有非平稳误差，并提出了零假设的最大绝对偏差的回归函数$μ$从功能$g (μ)$（如值$μ(0)$或积分$\int_{0}^{1} μ(t) dt$）小于给定的阈值在给定的间隔$[x_{0},x_{1}] \subseteq [0,1]$。使用适当的估计量（例如$\hat d_{\infty, n}$）对最大偏差$ d_{\infty}= \sup_{t \in [x_{0},x_{1}]} |μ(t) - g( μ) |$进行检验。我们推导出一个适当的标准化版本的$\hat d_{\infty,n}$，其中的标准化取决于勒贝格措施的极值点的功能$μ(\cdot)-g(μ)$的集合的极限分布。一个完善的过程的基础上估计这一套，并证明其一致性。通过仿真研究和数据实例说明了结果。
2020-02-14 math.ST stat.ME stat.TH
Multiple change point detection under serial dependence: Wild contrast maximisation and gappy Schwarz algorithm
本文提出WCM.gSa方法，结合Wild对比最大化与gappy Schwarz算法，用于在自相关线性时间序列中一致地检测均值多变点的数量与位置，并通过模拟和伦敦空气质量数据验证其有效性。
2023-04-12 stat.ME
Detecting Multiple Change Points Using Adaptive Regression Splines with Application to Neural Recordings
时间序列，在神经科学中经常出现这种情况，很少是平稳的，但往往表现出突然的变化，由于吸引子过渡或产生它们的动力系统中的分叉。多年来，除了评估其重要性的测试标准之外，还开发了大量方法来检测时间序列统计中的此类变化点。当开发变点分析方法时要考虑的问题包括计算需求，有限的数据量或大量的协变量所产生的困难，以及达到具有足够能力的统计测试来检测尽可能多的变化，因为包含在潜在的高维时间序列。在这里，一个通用的方法称为配对自适应回归的累积和发展的多元时间序列的平均值检测多个变化点。通过一系列的仿真实验证明了该方法的优势。其次是一个真正的数据应用程序，从大鼠内侧前额叶皮层在学习过程中的神经记录。最后，该方法的灵活性，将有用的功能，从国家的最先进的变化点检测技术进行了讨论，以及潜在的缺点和建议，以弥补他们。
2018-09-03 q-bio.NC q-bio.QM stat.ME
EigenNetworks
Carnegie Mellon University（卡内基梅隆大学）；Visby（维斯比）
许多应用程序没有物理定律的好处，无法为观测数据导出简洁的描述性模型。在替代方案中，$N$时间序列$\{ x_{nk}, k>0 \}_{n=1}^{N}$之间的相互依赖性如今通常由实际上可能非常大的图或网络$G$捕获。网络本身也可以随时间改变（即，作为$G_k$）。跟踪时变网络的变化带来了重大挑战，包括相关的计算问题。此外，大量的网络可能无法进行有用的分析。本文将时变网络$\left\{G_k\right\}$近似为特征网络的加权线性组合。本征网络是固定的构建块，其通过首先从数据$\{ x_{nk}, k>0 \}_{n=1}^{N}$学习图的时间序列$G_k$，然后进行主网络分析过程来估计。本征网络表示的权重是本征特征，并且时变网络$\left\{G_k\right\}$描述本征网络空间中的轨迹。这些本征轨迹应该是平滑的，因为网络$G_k$的变化速率比数据$x_{nk}$慢得多，除非发生结构性网络移位，这可能反映了底层应用和数据源的突然变化。算法学习的时间序列的图$\left\{G_k\right\}$，推导出的特征网络，特征和特征轨迹，并检测变点。模拟数据和两个实时时间序列数据（美国参议院的投票记录和基因表达数据的\textit{Drosophila Melanogaster}，因为它经历了它的生命周期）的实验证明了学习的性能，并提供有趣的解释的特征网络。
2019-02-20 cs.LG cs.SI stat.ML
A Robust Topological Framework for Detecting Regime Changes in Multi-Trial Experiments with Application to Predictive Maintenance
KAUST, Statistics Program（阿卜杜拉国王科技大学，统计学项目）；Aix Marseille Univ, CNRS, I2M（艾克斯-马赛大学，法国国家科学研究中心，马塞尔数学研究所）
本文提出了一种稳健的拓扑框架，用于检测多试验实验中的制度变化，并在预测性维护中展示了其有效性。
2024-10-27 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
Change point detection in dynamic heterogeneous networks via subspace tracking
针对动态网络变点检测，本文提出允许网络概率矩阵连续变化而潜在子空间结构仅在特定时间点改变的新模型，设计两个统计量联合检测子空间变点，并证明渐近一致性及不可行区域，实验验证了方法有效性。
2023-10-12 stat.ME
Segmentation of the mean of heteroscedastic data via cross-validation
本文研究了在不知道噪声变化的情况下，通过模型选择检测异方差信号均值突变的问题。提出了一个新的家庭的变点检测程序，交叉验证方法可以成功的异方差框架，而大多数现有的程序是不稳健的异方差。一个广泛的模拟研究，以及最近的理论结果支持所提出的程序的异方差的鲁棒性。比较基因组杂交（CGH）数据的应用程序提供，表明异方差的鲁棒性确实可以要求他们的分析。
2009-04-08 math.ST stat.ME stat.TH
Spectral Dynamics of DeepWalk Embeddings for Dynamic Network Change-Point Detection
Beijing Normal University（北京师范大学）；Anhui University（安徽大学）；Hefei Normal University（合肥师范学院）；Fujian Normal University（福建师范大学）
本文提出基于DeepWalk的框架，通过嵌入对齐与CUSUM统计量检测动态网络结构变化，理论分析并验证其有效性。
2026-09-17 stat.ME
Max-Type and Sum-Type Procedures for Online Change-Point Detection in the Mean of High-Dimensional Data
我们提出了两个程序来检测高维在线数据的平均值的变化。一种是基于最大型U-统计量，另一种是基于求和型U-统计量。这两个程序的理论性质进行了探讨，在高维设置。更准确地说，我们得到他们的平均游程长度（ARLs）时，没有变化点，和预期的检测延迟（EDDs）时，有一个变化点。仿真研究证实了理论结果的准确性。通过检测PM2.5浓度的突然变化证明了所提出的程序的实际使用。目前的研究试图扩展的结果，先前建立的单变量设置中的EQUIUM和Shiryayev-Roberts程序。
2021-07-26 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
Robust Quickest Change Detection for Unnormalized Models
针对在线数据流中变化后分布未知且模型未归一化的问题，本文提出基于分数的鲁棒 RSCUSUM 算法，用 Fisher 散度替代 KL 散度并引入最不利分布，仿真验证了其性能与理论分析。
2023-06-08 eess.SP stat.ME
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
