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
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
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
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
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
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
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
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
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
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
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
Change, dependence, and discovery: Celebrating the work of T.L. Lai
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
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
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
Nonparametric sequential change-point detection for multivariate time series based on empirical distribution functions
序贯变点检测的目的是当被监测的观测值的某些概率属性发生变化时发出警报。这项工作是关注的非参数，闭端检验程序的基础上的经验分布函数，旨在特别敏感的变化，在当代的多元时间序列分布的差异。建议的检测器是适应的统计数据中使用的后验（离线）变点测试，并涉及加权允许给予更多的重要性，最近的观察。由此产生的顺序变化点检测程序进行比较的检测器，通过估计的阈值函数，使假警报的概率保持近似恒定的监测期间。一个通用的结果的渐近有效性，这样一种方法估计的阈值函数的陈述。作为一个推论，渐进有效性的研究序贯检验的基础上，经验分布函数证明了这些进行时，使用一个依赖的乘数引导多变量时间序列。大规模的蒙特卡罗实验表明，所得到的程序具有良好的有限样本性质。衍生的序贯检验的应用说明了金融数据。
2020-10-25 stat.ME
Nonparametric Sequential Change-point Detection on High Order Compositional Time Series Models with Exogenous Variables
本文研究带外生变量的高阶成分时间序列模型，提出一种非参数序贯变点检测方法，证明了其渐近性质，并成功应用于汽车碰撞率数据的变点检测。
2025-03-04 stat.ME
Sequential Predictive Conformal Inference for Time Series
Georgia Institute of Technology（佐治亚理工学院）
本文提出序贯预测共形推断（SPCI）算法，通过利用时间序列残差的时间依赖性自适应估计条件分位数，解决不可交换序列的共形预测问题，并在保证覆盖率的同时显著缩小预测区间宽度。
2023-05-30 cs.LG stat.ME stat.ML
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
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
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
Granger Causality Detection via Sequential Hypothesis Testing
针对测量缺陷影响因果检测性能的问题，提出基于向量自回归系数范数的序贯假设检验方法，用于序贯检测两时间序列间的Granger因果关系，并通过仿真验证了其有效性。
2023-03-31 eess.SP 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
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
Sequential change-point detection based on nearest neighbors
我们提出了一个新的框架检测在线，连续数据分析中的变点。该方法利用最近邻信息，可以应用于多变量观测序列或非欧几里德数据对象，如网络数据。不同的停止规则进行了探讨，并建议一个特定的规则，由于其理想的属性。一个准确的解析近似的平均运行长度推导出推荐的规则，使其成为一个简单的现成的方法，真正的多变量/对象顺序数据监控应用程序。仿真结果表明，新方法具有更好的性能比基于似然的高维数据的方法。通过一个真实的数据集在检测全球结构变化的社交网络的新方法说明。
2018-04-28 stat.ME
Data-Adaptive Symmetric CUSUM for Sequential Change Detection
在流设置中顺序地检测变化点，特别是当信号的均值和方差都可以改变时，通常是一项具有挑战性的任务。在这种情况下，一个关键的困难往往涉及到设置一个适当的检测阈值，这对于许多标准的变化统计可能需要根据变化前和变化后的分布进行调整。当信号在多个分布之间切换时，这在顺序变化检测设置中提出了挑战。例如，考虑其中变化点由信号的均值和方差的增加/减少指示的信号。在这种情况下，我们希望能够将我们的变化统计量与一个固定的阈值进行比较，该阈值与均值和方差的增加或减少是对称的。不幸的是，使用对数似然比的变化点检测方案，例如，DSPUM和GLR，对变化反应迅速，但是当信号的均值和方差都变化时，它们是不对称的。这使得难以设置单个阈值以在流设置中顺序地检测多个变化点。我们提出了一个修改后的版本，我们称之为数据自适应对称的数据库（DAS-数据库）。DAS-MANUUM变化点检测过程对于分布之间的变化是对称的，使得它适合于设置单个阈值以在流设置中顺序地检测多个变化点。我们提供的结果，涉及到预期的检测延迟和平均运行长度为我们提出的程序。大量的模拟被用来验证这些结果。在真实数据上的实验进一步显示了使用DAS-DASUM在DASUM和GLR上的实用性。
2022-10-31 stat.ME
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
Sequential Quantiles via Hermite Series Density Estimation
序贯分位数估计是指以增量方式将观测值合并到分位数估计值中，从而在任何给定时间点提供一个或多个分位数的在线估计值。序贯分位数估计也称为在线分位数估计。这个领域与数据流分析和大规模数据集的一次性分析有关。应用包括网络流量和延迟分析、实时欺诈检测和高频交易。在静态分位数估计和动态分位数估计的背景下，提出了基于Hermite级数估计的在线分位数估计新方法。在静态分位数估计设置中，我们以一种新的方式应用现有的Gauss-Hermite展开。特别是，我们利用高斯-厄米系数可以按顺序更新的事实。为了处理动态分位数估计，我们引入了一种新的扩展与指数加权估计的高斯-厄米特系数，我们称之为指数加权高斯-厄米特（EWGH）的扩展。这些算法超越了现有的顺序分位数估计算法，因为它们允许在任何时间点估计任意分位数（与预先指定的分位数相反）。在这样做，我们提供了一个解决方案，在线分布函数和在线分位数函数估计的数据流。特别是，我们推导出的CDF的解析表达式，并证明在一定条件下的CDF的一致性结果。此外，我们分析了相关的分位数估计。仿真研究和实际数据的测试表明，基于高斯-厄米特算法是具有竞争力的领先的现有算法。
2017-03-04 stat.CO stat.ML
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
hermiter: R package for Sequential Nonparametric Estimation
本文介绍了R包hermiter，该包利用基于Hermite级数的估计器实现单变量和双变量概率密度、累积分布、分位数及相关系数的估计，特别适用于序贯和大数据单遍批量估计，并支持并行与分布式计算。
2023-07-02 stat.CO
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
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 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
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
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
Sequential Change-point Detection for High-dimensional and non-Euclidean Data
在许多应用中，在高维或非欧几里德观测的流序列中检测异常事件通常具有实际和科学意义。我们研究了一个非参数框架，利用最近邻观测信息检测在线设置中的变化。只要在样本空间上定义一个相似性度量，它就可以应用于任意维的数据和非欧数据。我们认为，在这个框架下，新的检验统计量，可以更有效地检测异常事件比现有的测试，同时保持错误发现率控制在一个固定的水平。解析公式近似的平均运行长度的新方法推导出，使它们快速适用于现代数据集。仿真研究提供支持的理论结果。所提出的方法说明了纽约市出租车数据集的分析。
2022-10-21 stat.ME
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
Sequential (Quickest) Change Detection: Classical Results and New Directions
随机系统中变化的在线检测，又称序贯变化检测或最快变化检测，是统计学、信号处理和信息论中的一个重要研究课题，有着广泛的应用。本调查从顺序变化检测的基础知识开始，然后转移到顺序变化检测理论和方法的概括和扩展。我们还讨论了一些新的方面，出现在连续变化检测与其他领域的交叉点，随着现代应用程序的选择和开放问题的意见。
2021-04-09 math.ST stat.TH
Sequential Gaussian approximation for nonstationary time series in high dimensions
推导了高维区域$d=o(n^{1/3})$的部分和过程的高斯耦合。耦合推导出的独立随机向量的总和，随后扩展到非平稳时间序列。我们的不等式依赖于明确的尺寸和非平稳性的措施，因此也适用于阵列的随机向量。为了实现高维统计推断，提出了一种可行的高斯近似方案。顺序测试和变点检测的应用程序进行说明。
2022-03-07 math.PR math.ST stat.TH
Estimation of common change point and isolation of changed panels after sequential detection
常见变化的快速检测在多流数据的顺序监测中至关重要，其中常见变化被称为仅发生在一部分面板中的变化。在一个共同的变化，通过使用一个组合的CANUM-SR过程检测后，我们首先研究的联合分布的值的CANUM-SR过程和估计的延迟检测时间不变的面板。本文提出了一种利用离散过程的渐近指数性质的BH方法来分离控制在FDR上的变化面元。然后基于隔离的改变的面板估计共同改变点。仿真结果表明，该方法还可以通过适当选择FDR来控制FNR。
2019-07-03 math.ST stat.TH
Sequential Quantile Prediction of Time Series
受广泛的潜在应用的启发，我们解决了实值时间序列的分位数预测问题。我们提出了一个序贯分位数预测模型的基础上组合的一组基本最近邻型预测称为“专家”，并显示其一致性的最低条件下。我们的方法建立在近年来开发的方法预测的个别序列，并利用分位数结构作为一个最小的所谓的弹球损失函数。我们对真实世界的数据集进行了深入的分析，并表明这种非参数策略通常优于标准分位数预测方法
2010-05-31 math.ST stat.ME stat.TH
Optimal Sequential Tests for Detection of Changes under Finite measure space for Finite Sequences of Networks
本文研究网络的有限序列的变点问题。为了避免在指数随机图模型和马尔可夫网络中计算归一化系数的困难，我们构造了一个具有测度比统计量的有限测度空间。提出了一种新的检测时延性能度量方法，用于检测网络分布的变化。并在此性能测度下提出了一种最优序贯检验。最佳序贯检验的良好性能的数值说明ERGM和Erdos-Rényi网络序列。
2021-01-17 math.ST stat.TH
One-step ahead sequential Super Learning from short times series of many slightly dependent data, and anticipating the cost of natural disasters
假设我们观察到一个短的时间序列，其中每个时间t特定的数据结构由许多由a索引的略微相关的数据组成，并且我们想要估计实验定律的一个特征，该特征既不依赖于t也不依赖于a。我们开发和研究的算法，学习顺序的基础算法在用户提供的集合最好的进行估计任务的超额风险和神谕不等式。该分析使用依赖图来建模每个特定于t的数据结构内的条件独立性的量和Janson [2004]的集中不等式，在面对少量特定于t的数据结构时，利用了不同a的数量与依赖图的程度的大比例。所谓的领先一步的超级学习者适用于激励的例子，挑战是预测法国自然灾害的成本。
2021-07-28 math.ST stat.TH
Sequential Outlier Detection in Non-Stationary Time Series
提出一种基于极值理论控制错误概率的非平稳时间序列序贯异常值检测方法，并验证其渐近与有限样本性能。
2025-02-25 math.ST stat.ME stat.TH
Sequential Change Detection by Optimal Weighted $\ell_2$ Divergence
我们提出了一个新的非参数统计，称为加权$\ell_2$分歧，基于经验分布的顺序变化检测。我们首先构建加权的$\ell_2$分歧作为一个基本的构建块，两个样本的测试和变化检测。所提出的统计量被证明在离线设置中达到最佳的样本复杂度。然后，我们研究了顺序变化检测使用加权$\ell_2$分歧和表征的基本性能指标，包括平均游程长度（ARL）和预期的检测延迟（EDD）。我们还提出了实用的算法，以找到最佳的投影来处理高维数据和最佳的权重，这是至关重要的快速检测，因为在这样的设置中，没有太多的变化后的样本。仿真结果和实际数据的例子验证了所提出的方法的良好性能。
2021-02-24 math.ST stat.TH
Sequential change point tests based on U-statistics
我们提出了一个一般框架的序贯检验程序的基础上$U$ -统计，其中包含作为一个例子的序贯检验的基础上的差异，平均值，但也包括一个强大的序贯Wilcoxon变点过程。在这个框架内，我们考虑几个监测计划，考虑到不同的意见，在给定的时间点作出决定。与最初提出的计划，考虑到所有观察的监测期间，我们还考虑了修改后的移动和版本，以及一个页面监控计划的版本。后者对于早期的变化几乎同样好，而对于后期的变化则是有利的。对于所有建议的程序，我们提供的极限分布下的原假设，产生的阈值来控制渐近I型错误。此外，我们表明，所提出的测试有渐近功率1。在模拟研究中，我们通过其经验的大小，功率和检测延迟，这是进一步说明了通过温度数据集的顺序程序的性能进行比较。
2019-12-18 math.ST stat.TH
Sequential change detection revisited
在顺序变化检测中，现有的性能度量在处理变化时间的方式上有很大的不同。通过将此量建模为随机时间，我们引入了一个通用框架，能够捕获和更好地理解最知名的标准，并提出了新的标准。对于一个特定的新的标准，构成了一个扩展Lorden的性能指标，我们提供了最佳的结构，用于检测变化的恒定漂移的布朗运动和相应的最佳性能的公式。
2008-04-04 math.ST stat.TH
Minimax and pointwise sequential changepoint detection and identification for general stochastic models
本文考虑了联合变化检测和识别问题，假设多个复合后变化的假设。我们提出了一个多假设变点检测识别过程，控制误报和错误识别的概率。我们表明，所提出的方法是渐近极小极大和逐点最优的，最小化时刻的检测延迟的虚警和错误识别的概率接近零。渐近最优性的性质保持一般随机模型与相依观测。我们说明了一般结果检测识别的变化多流马尔可夫遍历过程。我们考虑几个例子，包括在意大利快速检测识别COVID-19的应用。我们提出的顺序算法可以比标准方法更快地检测COVID-19。
2021-08-11 math.ST stat.TH
Sequential detection of multiple change points in networks: a graphical model approach
我们提出了一个概率公式，使连续检测网络设置中的多个变化点。我们提出了一类序列检测规则的某些泛函的变化点（最小的子集），并证明了其渐近最优性的期望检测延迟时间。从图形模型的形式主义，顺序检测规则可以实现一个计算高效的消息传递协议，可以线性放大网络的大小和等待时间。我们的推理算法的有效性证明了模拟。
2012-07-06 math.ST stat.ML stat.TH
Optimal Sequential Tests for Monitoring Changes in the Distribution of Finite Observation Sequences
本文提出了一种构造最优序贯检验的方法，用于监测具有一般相关结构的有限观测序列的分布变化。这种方法使我们能够证明，不同的最佳序贯检验，可以构建不同的性能措施的检测延迟时间。我们还提供了一个公式来计算每个最优序贯检验的广义失控平均游程长度的值。当观测序列的条件密度（概率）不依赖于变化时间时，存在一个等价的不直接依赖于检验统计量的最优控制限.
2019-07-31 math.ST stat.ME stat.TH
