Bivariate change point detection: joint detection of changes in expectation and variance
提出了一种变点检测方法。本文考虑一个单变量独立随机变量序列，其期望值和方差均为分段常数，除此之外，其分布可以周期性变化。我们的目标是检测期望和方差的变化点。为此，我们提出了一个统计测试的原假设无变化点和算法的变化点检测。两者都是基于一个双变量移动和方法，共同评估的均值和经验方差。与单独的单变量方法相比，联合考虑有助于改善推断。我们有信心地推断变化的强度和类型。非参数方法支持对不同数据的分析。此外，多尺度方法解决了变化点和影响中的复杂模式。我们通过理论结果和仿真研究证明了性能。讨论了配套的R包jcp（可在CRAN上获得）。
2021-06-21 math.ST stat.ME stat.TH
Adaptive Quantile Computation for Brownian Bridge in Change-Point Analysis
作为高斯过程分布参数快速计算的一个例子，我们提出了一种新的计算加权布朗桥上确界范数分位数的蒙特卡罗算法。众所周知，对于变点检测的加权最大方差统计量，相应的分布渐近出现。新算法采用自适应（顺序）时间离散的布朗桥的轨迹。仿真研究表明，新的算法远远优于标准的方法，它采用了统一的时间离散化。
2020-12-31 stat.CO
Improving the Sensitivity of Gravitational Wave Detection with Weighted Conformal Prediction
Royal Holloway, University of London（伦敦大学皇家霍洛威学院）；University of Southampton（南安普顿大学）
针对引力波探测中多流水线输出结合及分布偏移问题，提出加权保形预测框架，通过似然比重新加权恢复校准覆盖并提高阈值附近事件置信度，恢复被遗漏的真实信号。
2026-09-11 cs.LG gr-qc stat.ML
Asymptotically Optimal Pointwise and Minimax Change-point Detection for General Stochastic Models With a Composite Post-Change Hypothesis
一个加权Shiryaev-罗伯茨变化检测过程中示出，以近似最小化的预期延迟检测以及较高的时刻的检测延迟之间的所有变化点检测程序与给定的低最大局部概率的虚警在一个窗口内的一个固定长度的逐点和极大极小设置一般非独立同分布。数据模型和变更后参数未知时的复合变更后假设。我们建立了非常一般的条件下，加权Shiryaev-Roberts程序是渐近最优的模型。这些条件是根据强大数律中收敛速率对“变化”假设和“不变”假设之间的对数似然比来表示的，并且我们还为一大类遍历马尔可夫过程提供了充分条件.给出了这些条件成立的例子。
2019-09-02 math.PR math.ST stat.TH
Applications of threshold models and the weighted bootstrap for Hungarian precipitation data
本文介绍了应用的峰值超过阈值的方法为单变量和最近推出的双变量的情况下，结合一种新的自助方法。我们比较建议的自助方法，更传统的配置文件的可能性。我们已经调查了63年的欧洲气候评估日降水量数据的5个匈牙利网格点，首先分别为夏季和冬季月份，然后旨在检测可能的变化，通过调查20年移动窗口。我们发现，在单变量和双变量的情况下，都可以观察到显着的变化，最近的时期是最危险的，因为这里的回报水平是最高的。我们说明了这些影响的双变量覆盖区域。
2013-10-29 math.ST stat.AP stat.TH
Optimal multiple change-point detection for high-dimensional data
这份手稿作出了两个贡献领域的变点检测。在一个generalchange-point设置，我们提供了一个通用的算法，用于聚合本地homogeneity testsinto一个时间序列中的变点的估计。有趣的是，我们建立了测试集合的错误率直接转化为变化指针的检测属性。这个通用的计划，然后适用于各种问题，包括协方差变点检测，非参数变点检测和稀疏多元均值变点检测。对于后者，我们推导出Minimax最优速率，当噪声为高斯噪声时，该速率自适应于未知稀疏度和变点之间的距离。forsub-Gaussian噪声，我们介绍了一个变种，是最佳的，在几乎所有的稀疏制度。
2022-12-08 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
A Data-driven Change-point Estimator
q-加权最大和及其相应的估计量是用于变点检测和估计的众所周知的统计量。它们的困难在于性能高度依赖于变化的位置。本文提出了一种基于数据驱动权值的自适应估计器来克服这一问题，并证明了相应的自适应变点检验是有效的。
2020-10-23 math.ST stat.AP stat.TH
Penalized Weighted Least Squares for Outlier Detection and Robust Regression
为了对含有异常值的数据进行回归分析，已经提出了许多同时进行异常值检测和稳健回归的方法，本文提出的方法也是如此。这种新方法被称为“惩罚加权最小二乘”（PWLS）。通过为每个观察分配单独的权重并在权重向量的对数变换上引入套索类型的惩罚，PWLS能够同时执行离群值检测和鲁棒回归。一个贝叶斯的PWLS的观点，它表明，PWLS可以被看作是一个例子的M-估计。提出了两种选择PWLS调谐参数的方法。PWLS的性能通过仿真和实际应用证明。
2016-03-24 stat.ME
Approximate Conditional Sampling for Pattern Detection in Weighted Networks
评估网络模式的统计显著性对于理解这些模式是否表明存在有趣的网络现象，或者它们是否仅仅是由不太有趣的过程（如网络异质性）引起的至关重要。通常，显著性是参考空模型计算的。虽然已经有广泛的研究，这种零模型的非加权图，很少有做了加权的情况下。本文提出了一个加权图的空模型。该模型精确地确定了节点的强度，近似地确定了节点的度。提出了一种新的MCMC算法对模型进行采样，并讨论了其随机稳定性。我们的经验表明，该模型相比，有利的替代品，特别是当网络模式是微妙的。我们展示了如何使用该算法来评估社区结构的统计意义。
2021-09-19 stat.ME
Detecting distributional changes in samples of independent block maxima using probability weighted moments
季节性或年性块体极大值的分析在水文学、气候学或气象学等领域都很有意义。与著名的方法块极大值，我们研究了几个测试，可以用来评估是否可用的一系列的最大值是同分布的。假设块极大值是独立的，但不一定是广义极值分布的。研究了检验统计量的渐近零分布，并讨论了近似p值的实际计算。广泛的蒙特卡罗模拟显示了足够的有限样本行为的研究测试大量的现实数据生成的情况。几个环境数据集的插图结束了工作。
2016-09-21 stat.ME
Weighted likelihood mixture modeling and model based clustering
在这项工作中，开发了一种加权似然方法的稳健拟合的多元高斯成分的混合。已经提出了两种方法，分别由标准EM和CEM算法的适当修改驱动。在这两种技术中，M步骤通过针对降低离群值的权重的计算来增强。权重是基于皮尔逊残差源于强大的马氏型距离。基于拟合的混合模型，还可以定义用于鲁棒聚类和离群值检测的正式规则。所提出的方法的行为进行了研究，通过一些数值研究和实际数据的例子，在拟合和分类精度和离群值检测。
2018-11-08 stat.ME
A pseudo-likelihood approach to community detection in weighted networks
社区结构在许多真实网络中很常见，节点聚集在共享相同连接模式的组中。虽然许多社区检测方法已被开发用于具有二进制边缘的网络，但其中很少有适用于具有加权边缘的网络，这在实践中很常见。我们提出了一个伪似然社区估计算法下的加权随机块模型的正态分布的边缘权重的网络，扩展了二进制网络的伪似然算法，它提供了一些最佳的组合的准确性和计算效率。我们证明了所提出的方法得到的估计是一致的假设下，同质网络，种植分区模型的加权模拟，并表明，他们在实践中工作良好的同质和异构网络。我们在模拟网络和fMRI数据集上说明了该方法，其中边缘权重表示大脑区域之间的连接，并且预计通过构建接近正态分布。
2023-03-10 stat.ME stat.ML
A Weighted Similarity Metric for Community Detection in Sparse Data
本文针对高度稀疏短文本数据提出一种无需填补的加权相似性度量，结合共同属性存在、缺失及缺失模式三部分，并在洗发水品牌社区检测中验证其优于传统方法且具有稳健性。
2025-02-07 cs.SI stat.ME
High-dimensional outlier detection and variable selection via adaptive weighted mean regression
本文提出自适应惩罚加权均值回归方法，利用自适应Huber损失函数，在高维线性模型中同时实现稳健的回归参数估计和异常值检测，并通过模拟和乳腺癌数据验证其有效性。
2023-06-24 math.ST stat.ME stat.TH
Community Detection in Weighted Multilayer Networks with Ambient Noise
我们介绍了一种新的模型，多层加权网络，占全球噪声除了本地信号。该模型类似于多层随机块模型（SBM），但关键的区别在于，块之间的相互作用在整个系统中是常见的，我们称之为环境噪声。单个块也由这些固定的环境参数表征，以表示不属于其他任何位置的成员。这种方法允许同时将块聚类和类型化为信号或噪声，以便更好地理解它们在整个系统中的作用，这是现有块模型所不能解释的。我们采用了一种新的应用分层变分推理，共同检测和区分类型的块。我们把这种多层加权网络模型称为随机块（带）环境噪声模型（SBANM），并开发了一个相关的社区发现算法。我们将这种方法应用于费城神经发育队列中的受试者，以发现与精神病相关的并发精神病理学受试者的社区。
2022-07-24 cs.SI physics.soc-ph stat.AP
A Weighted Regression Approach to Break-Point Detection in Panel Data
本文提出了一种加权回归方法，用于检测面板数据中横截面均值的变化，通过估计干扰参数并构造检验统计量，适用于弱和强横截面依赖情况。
2025-12-01 math.ST stat.ME stat.TH
Modeling sparsity in count-weighted networks
针对加权网络社区检测，提出控制稀疏性并含度校正的概率模型，基于VEM算法实现社区检测，在模拟网络中验证有效性，并应用于巴西机场网络以比较疫情前后社区结构。
2024-11-05 cs.SI stat.ME
Fully Functional Weighted Testing for Abrupt and Gradual Location Changes in Functional Time Series
本文提出了一种结合协方差结构和偏移参数的完全功能加权检验方法，用于检测功能时间序列中突变和渐变位置变化，提高了检验效能并推导了其渐近分布。
2026-01-22 math.ST stat.ME stat.TH
Quickest Change Detection with Mismatched Post-Change Models
在本文中，我们研究了最快的变化检测与不匹配的变化后的模型。变点是随机过程的分布发生变化的时刻。最快变化检测的目标是在一定的性能约束下最小化未知变化点的检测延迟，例如平均游程长度（ARL）到虚警或虚警概率（PFA）。大多数现有的变化检测程序假设完美的知识的随机过程分布之前和之后的变化点。然而，在许多实际应用中，如异常检测，变更后的分布往往是未知的，需要估计有限数量的样本。在本文中，我们研究的情况下，有一个真正的变化后的分布和检测过程中使用的不匹配。我们分析识别两个经典的检测程序，累积和（CANUUM）程序和Shiryaev-Roberts（SR）程序不匹配的变更后模型的影响。失配模型的影响的特点是在各种有限的或渐近性能界限的ARL，PFA，和平均检测延迟（ADD）。结果表明，修改后的模型不匹配导致ADD增加，性能下降的速率取决于两个Kullback-Leibler（KL）偏差之间的差异，一个是先验分布和修改后分布之间的差异，另一个是真实分布和不匹配的修改后分布之间的差异.
2016-01-26 cs.IT math.IT stat.ME
Quickest Change Detection in Statistically Periodic Processes with Unknown Post-Change Distribution
算法被开发用于最快地检测统计周期过程中的变化。这些过程的统计特性是非平稳的，但在固定的时间间隔后重复。假设决策者知道变更前的法律，但变更后的法律是未知的。在这个框架中，三个家庭的问题进行了研究：鲁棒的最快变化检测，联合最快变化检测和分类，多时隙最快变化检测。在多时隙问题中，可能发生变化的时段内的确切时隙是未知的。每个问题提出了算法，并证明了他们每个人的精确最优或渐近最优的低虚警制度。所开发的算法，然后用于异常检测交通数据和心律失常检测和识别心电图（ECG）数据。仿真数据也证明了算法的有效性。
2023-03-06 eess.SP math.ST stat.ME
