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
Inference on the Change Point for High Dimensional Dynamic Graphical Models
本文给出了动态演化图模型变点参数的一个估计，并在高维尺度下得到了变点参数的渐近分布。为了获得后一个结果，我们建立了所提出的估计表现出$O_p(ψ^{-2})$收敛速率，其中$ψ$表示变化点之前和之后的图形模型参数之间的跳跃大小。此外，它保留了足够的适应性对插件的图形模型参数的估计。我们的渐近分布的形式下的消失和非零制度的跳跃大小的大小的特点。具体地说，在前一种情况下，它对应于一个负漂移不对称的双边布朗运动的argmax，而在后一种情况下，一个负漂移不对称的双边随机游动，其增量取决于图形模型的分布的argmax。易于实现的算法提供了估计的变化点和合成数据评估其性能。所提出的方法进一步说明了RNA测序的微生物组数据及其在年轻人和老年人之间的变化。
2021-02-21 math.ST stat.ME stat.ML
Inference for a Two-Component Mixture of Symmetric Distributions under Log-Concavity
在这篇文章中，我们重新估计未知的零-对称分布在两个组件的位置混合模型，在以前的作品中考虑的问题，现在假设零-对称分布有一个对数凹密度。当一致估计的移位位置和混合概率，我们表明，非参数对数凹最大似然估计（MLE）的混合密度和未知的零对称分量是一致的Hellinger距离。在移位位置和混合概率的估计是$\sqrt n$一致的情况下，我们建立这些MLE在$L_1$距离中以$n^{-2/5}$的速率收敛到真理。为了估计移位位置和混合概率，我们使用由\cite{hunteretal2007}提出的估计器。使用\proglang{R}包\pkg{logcondens.mode}有效地计算未知的零对称密度。
2016-05-06 math.ST stat.ME stat.TH
Efficient Inference under Label Shift in Unsupervised Domain Adaptation
针对无监督域适应中源域与目标域的标签偏移问题，提出三阶段渐进估计策略建模结果密度比，实现目标群体通用参数的高效推断，性能优于现有方法且具理论创新性与实践价值。
2025-08-25 stat.ME
Estimation and Inference for Change Points in Functional Regression Time Series
University of Notre Dame（圣母大学）；University of Warwick（华威大学）；University of Bristol（布里斯托大学）
本文提出了一种高效的函数回归二分段算法，用于在具有斜率函数变化的回归模型中估计和推断变化点，并通过模拟和实际数据验证了其有效性。
2024-05-08 math.ST stat.ME stat.TH
Adaptive Change Point Detection with Matrix Time Series: Leveraging Structured Mean Shifts
KLATASDS-MOE, School of Statistics, East China Normal University（华东师范大学统计学院）；Department of Statistics and Actuarial Science, University of Iowa（爱荷华大学统计与精算科学系）
针对矩阵时间序列的均值漂移变点检测问题，提出兼具模式特异性变点检测能力与非模式特异性变化鲁棒性的自适应检验方法，通过乘子自助法等保证理论性质，提升检测功效。
2026-08-25 math.ST stat.ME stat.TH
Conformalized Signal Temporal Logic Inference under Covariate Shift
University of California, Riverside（加州大学河滨分校）；Boston University（波士顿大学）；MIT Lincoln Laboratory（麻省理工学院林肯实验室）
本文提出一种符合性STL推理框架，解决训练与部署数据集间的协变量偏移问题，通过模板无关的可微STL推理方法和有限部署数据集优化，提升部署时的符号学习可靠性。
2026-03-28 cs.LG stat.ML
Nonparametric inference of gradual changes in the jump behaviour of time-continuous processes
在应用中，随机特征的性质通常是逐渐变化的，而不是突然变化的，也就是说：经过一段时间的恒定相位后，它们开始慢慢变化。在本文中，我们讨论了统计推断的检测和局部化的逐步变化的跳跃特征的离散观察伊藤半鞅。我们提出了一个新的措施的时间变化的跳跃行为的过程。相应的估计的统计不确定性进行了分析，推导出新的结果的弱收敛的序列经验尾积分过程和相应的乘子自助程序。
2017-04-13 math.ST stat.TH
Inference on Dynamic Spatial Autoregressive Models with Change Point Detection
本文提出带空间固定效应的变系数动态空间自回归模型，通过变系数线性组合多个空间权重矩阵，利用惩罚估计实现系数推断与变点检测，并给出理论性质与实证验证。
2025-05-09 math.ST stat.ME stat.TH
Efficient Inference for Covariate-adjusted Bradley-Terry Model with Covariate Shift
本文针对协变量偏移下的成对比较问题，提出基于Kullback-Leibler投影的协变量调整Bradley-Terry模型推断框架，开发了半参数高效估计方法，并应用于评估大语言模型与人类偏好的对齐。
2025-04-09 stat.ME
Heterogeneous Change Point Inference
我们提出了HSMUCE（异构同步多尺度变点估计）的多个变点的检测信号在异构高斯回归模型。一个分段常数函数估计通过最小化的多尺度测试，局部适应方差的变化的接受区域的变点的数量。多尺度检验是局部似然比检验的组合，其通过尺度相关的临界值适当地校准，以便即使对于有限样本也保持全局标称水平α。我们表明，HSMUCE控制的错误，过度和低估的变化点的数量。为此，新的F-型统计量的偏差界的推导。此外，我们得到了整个信号的置信集。所有结果在一大类非均匀变点模型上都是非渐进且一致的。HSMUCE计算速度快，达到最佳的检测率，并估计变化点的数量在几乎最佳的精度消失的信号，同时仍然是强大的。我们比较HSMUCE与几个国家的最先进的方法在模拟和分析当前记录的跨膜蛋白在细菌外膜具有显着的异质性，其状态。R-package可在线获得。
2016-02-05 math.ST stat.ME stat.TH
Valid and Exact Statistical Inference for Multi-dimensional Multiple Change-Points by Selective Inference
Nagoya Institute of Technology（名古屋工业大学）；RIKEN（日本理化学研究所）
本文研究了多维序列中变点的统计推断。在从多维序列的CP检测中，通常期望不仅检测位置，而且识别其中发生变化的分量的子集。已经提出了几种算法，这样的问题，但没有有效的精确推理方法已被建立，以评估检测到的位置和组件的统计可靠性。在这项研究中，我们提出了一种方法，可以保证检测到的变化的位置和组件的统计可靠性。我们证明了所提出的方法的有效性，将其应用到基因组异常识别和人类行为分析的问题。
2021-10-18 cs.LG stat.ML
Valid Post-Detection Inference for Change Points Identified Using Trend Filtering
文献中有很多关于变点检测的研究工作和方法。然而，只有少数几个在估计之后为这样的变化点提供推断。这项工作主要集中在一个统计分析的变化点估计的PRUTF算法，其中包括趋势滤波，以确定分段多项式信号的变化点。本文开发了一种方法来执行统计推断，如计算p值和构造置信区间在新开发的后选择推理框架。我们的工作涉及已知和未知的误差方差的情况下。正如在选择后推断文献中所指出的，这种置信区间的长度不期望地长。为了解决这个问题，我们还提出了两种新的策略，全局后检测，和局部后检测，这是基于变化点的内在属性。我们运行我们提出的方法对真实和模拟数据，以评估其性能。
2021-07-30 stat.ME
Multiscale Change-Point Inference
针对指数族回归变点问题，提出了一种新的估计SMUCE（同时多尺度变点估计）。未知阶跃函数的估计是通过最小化α水平下多尺度检验的可接受区域上的变点数来实现的。多尺度检验统计量的渐近零分布控制了高估真实变点数K的概率。此外，我们推导出低估K的概率的指数界。通过平衡这些量，α将被选择为使得正确估计K的概率最大化。所有的结果甚至是非渐近的正常情况下。基于上述界，我们构造了未知阶跃函数及其变点的渐近诚实置信集。在同一时间，我们获得指数界估计的变点位置，例如产生的极大极小率O（1/n）的对数项。最后，SMUCE渐近地达到消失信号的最佳检测率。我们说明了如何动态规划技术可以有效地计算估计和置信区域。所提出的多尺度方法的性能说明了模拟和两个前沿的应用，从基因工程和光电子能谱。
2013-08-12 math.ST stat.ME stat.TH
Transportable inference using target population summary statistics under covariate shift
Academy of Mathematics and Systems Science Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；Department of Biostatistics Mailman School of Public Health Columbia University（哥伦比亚大学麦尔曼公共卫生学院生物统计学系）；Department of Epidemiology & Biostatistics University of California at San Francisco（旧金山大学生物统计与流行病学系）
本文提出了一种基于目标人群协变量汇总信息的可移植推断方法，通过熵平衡和灵活建模实现对协变量偏移的更有效处理，提高了推断的灵活性和准确性。
2026-10-14 stat.ME
Multi-Source Conformal Inference Under Distribution Shift
针对多源数据分布偏移与隐私约束下的有效推断难题，提出基于有效影响函数的共形预测区间方法，结合数据自适应权重策略提升鲁棒性与效率，经合成实验和临床数据验证有效。
2024-05-15 stat.ME stat.ML
Block-Wise MAP Inference for Determinantal Point Processes with Application to Change-Point Detection
Speech Processing and Machine Intelligence Laboratory（语音处理与机器智能实验室）；Tsinghua University（清华大学）
现有的MAP行列式点过程（DPPs）推理算法一般需要在全核尺度上计算行列式或进行特征值分解，这给实际应用带来了很大的挑战.在本文中，我们介绍了一类DPPs，称为BwDPPs，其特征在于由一个几乎块对角核矩阵，从而可以允许有效的块明智的MAP推理。此外，BwDPPs被成功地应用于解决变点检测（CPD）问题中的变点选择困难，这导致了一个新的基于BwDPPs的CPD方法，命名为BwDppCpd。在BwDppCpd中，首先根据现有的良好研究指标创建一组初步的变化点候选者。然后，这些变化点的候选人被视为DPP项目，并基于DPP的子集选择进行，以给出有利于质量和多样性的变化点的最终估计。BwDppCpd的有效性通过在五个真实世界数据集上的广泛实验来证明。
2015-03-20 cs.AI cs.LG stat.ME
Statistical inference for time-changed Lévy processes via composite characteristic function estimation
本文研究了基于时变Lévy过程$L_{\mathcal{T}(t)}$的低频观测值的具有独立分量的多维Lévy过程$L_t$参数的半参数推断问题，其中$\mathcal{T}$是独立于$L_t$的非负非减实值过程.我们发现，这个问题是密切相关的问题，最近得到了很多关注的统计文献中的复合函数估计。在适当的可识别性条件下，我们给出了$L_t$的Lévy密度的一个相合估计，并给出了该估计的一致收敛速度和逐点收敛速度.此外，我们证明了所获得的速率是最优的在一个极大极小意义下的适当类的时变Lévy模型。最后，我们提出了一个模拟研究，显示我们的估计算法的性能的情况下，随时间变化的正常逆高斯（NIG）Lévy过程。
2012-01-30 math.ST stat.AP 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
Change-point inference on volatility in noisy Itô semimartingales
本文研究了基于独立同分布的离散观测的广义Itô半鞅的现货波动过程的结构突变检验问题。微结构噪声我们构建了一个相合检验建立在填充渐近结果的某些泛函的光谱现货波动率估计。在原假设下，利用极值理论建立了一个弱极限定理。我们证明了一致性的测试和相关的估计的变化点。仿真研究说明了有限样本的性能的方法和效率增益相比，跳跃采样的方法。
2018-09-22 math.PR math.ST stat.TH
Online conformal inference with retrospective adjustment for faster adaptation to distribution shift
Inha University（仁荷大学）
针对在线环境数据分布变化问题，提出具有回顾性调整的在线共形推理方法，利用回归方法和高效公式追溯调整预测，经实验表明该方法能在接近标称覆盖率时减少预测区间宽度约30%，提升统计效率与适应性。
2026-07-14 cs.LG stat.ML
Selective Inference for Change Point Detection in Multi-dimensional Sequences
我们研究的问题，检测变化点（CP），其特征在于在一个多维序列中的一个子集的尺寸。用于检测这些CP的方法可以被公式化为两阶段方法：一个用于选择相关维度，另一个用于选择CP。由于必须适当地校正每个阶段中的选择偏差，因此难以适当地控制这些CP检测方法的错误检测概率。我们在本文中的主要贡献是制定一个CP检测问题作为一个选择性的推理问题，并表明，精确（非渐近）推理是可能的一类CP检测方法。我们通过数值模拟和它的应用程序，我们的激励医疗数据分析问题的建议选择性推理框架的性能。
2018-03-02 stat.ML
Generalized Laplace Inference in Multiple Change-Points Models
本文提出一类广义拉普拉斯推断方法用于多变点模型，基于积分定义估计量，具有双重极限分布，并采用最高密度区域推断，理论性质优越且有限样本表现更佳。
2021-01-15 econ.EM math.ST stat.TH
Minimum Wasserstein distance estimator under covariate shift: closed-form, super-efficiency and irregularity
KLATASDS-MOE, School of Statistics, East China Normal University（华东师范大学统计学院）；Institute of Statistics and Big Data, Renmin University of China（中国人民大学统计与大数据研究院）
本文提出了一种在协变量偏移下具有闭式解的W估计器，通过最优传输理论解释最近邻方法，并在特定情况下展现出超效率和统一性。
2026-01-12 stat.ME stat.ML
Conformal Inference for Online Prediction with Arbitrary Distribution Shifts
Stanford University（斯坦福大学）
针对在线预测中现有共形推断方法对历史数据加权过重、难适配分布偏移的问题，通过改进自适应共形推断算法新增步长参数动态调整步骤，实现对任意分布偏移的自适应，且在真实数据集上验证了鲁棒性。
2023-10-05 cs.LG stat.ME
MOSAIC: Minimax-Optimal Sparsity-Adaptive Inference for Change Points in Dynamic Networks
University of Southern California（美国南加州大学）；Marshall School of Business（马歇尔商学院）；Xiamen University（厦门大学）；Wang Yanan Institute for Studies in Economics（王炎安经济研究所）
MOSAIC框架针对动态网络中的变点检测，利用低秩和稀疏变化结构，提出基于特征分解的检验方法，达到极小极大最优速率，并通过残差技术实现实际应用，模拟和真实数据验证了其有效性。
2025-09-08 cs.LG stat.ME stat.ML
Computationally efficient and data-adaptive changepoint inference in high dimension
近年来，适应多种变化模式的高维变点推理受到了广泛关注。我们提出了一个简单，快速而有效的自适应变点测试方法。关键的观察是，两个统计量的基础上聚集累积和统计量的所有维度和可能的变化点，分别采取他们的最大值和总和，在一些温和的条件下是渐近独立的。因此，我们能够通过根据极限零分布组合最大值和求和型统计量的p值来形成新的检验。为此，我们开发了新的工具和技术，以建立渐近分布的最大型统计量下更宽松的条件下，所有变量之间的分量相关性比现有的文献。所提出的方法是简单的使用和计算效率。它是自适应的变化信号的不同稀疏水平，是可比的，甚至优于现有的方法，我们的数值研究所揭示的。
2022-05-02 stat.ME
On Statistical Inference for Rates of Change in Spatial Processes over Riemannian Manifolds
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Drexel University（德雷塞尔大学）；University of California, Los Angeles（加州大学洛杉矶分校）
本文提出了一种在黎曼流形上基于模型的推断方法，用于处理空间过程中变化率的统计推断。
2026-01-05 math.DG math.ST stat.CO
A change-point problem and inference for segment signals
本文研究了一系列随机变量均值中一个或两个变点的检测和估计问题。我们在回归中使用集合估计的形式主义：对设计的每个点附加一个二进制标签，指示该点是否属于未知段，并且该标签被噪声污染。未知线段的端点是变点。我们研究了允许在不同情况下进行统计检测的段的最小尺寸，包括当端点与设计域的边界分离时，或者当它们彼此分离时。我们比较这个最小的大小与极小极大收敛率估计的段在相同的情况下。这个广泛的研究的一个简单而又基本的版本的变点问题的目的是双重的：了解的位置和分离的变化点的影响，检测和估计，并带来的见解估计和检测的凸体在更高的维度。
2018-09-05 math.ST stat.TH
Non-asymptotic inference for multivariate change point detection
针对数字表型中非渐近变点检测问题，提出似然比检验的非渐近推断方法，在数据量不大时提供准确且高效的p值估计，并在模拟和真实精神分裂症患者复发前行为变点检测中验证了其优越性。
2023-04-10 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
Nonparametric Change-Point Detection and Inference for High-Dimensional Distributions
Tiangong University（天津工业大学）；Nankai University（南开大学）
针对高维分布中均值协方差不变但分布改变且受影响坐标未知的问题，提出基于标准秩比较的非参数变点检测方法，结合和/最大扫描与柯西组合适应稀疏性，无需矩假设，可扩展多变点检测，模拟和实际数据验证有效。
2026-09-15 stat.ME
Bayesian Online Change Point Detection for Baseline Shifts
Intel K.K.（英特尔株式会社）
在时间序列数据分析中，实时（在线）检测变化点在许多领域都有很大的兴趣，例如金融，环境监测和医学。一个有前途的手段来实现这一点是贝叶斯在线变化点检测（BOCPD）算法，这已成功地通过在特定的情况下，其中的时间序列的利益有一个固定的基线。然而，我们已经发现，当基线不可逆地从其初始状态转移时，该算法会出现问题。这是因为使用原始BOCPD算法，如果数据点在相对远离原始基线的位置处波动，则可以检测到变化点的灵敏度降低。在本文中，我们不仅扩展了原来的BOCPD算法适用于一个时间序列，其基线是不断向未知值，但也可视化为什么建议的扩展工程。为了证明所提出的算法的有效性相比，原来的，我们研究这些算法在两个真实世界的数据集和六个合成数据集。
2022-01-07 cs.LG stat.AP stat.ML
Change Point Localization and Inference in Dynamic Multilayer Networks
研究动态多层随机点积图的离线变点定位与推断，提出结合种子二值分割与低秩张量估计的两阶段算法，证明变点估计一致性，推导极限分布，并提供数据驱动的置信区间构建方法。
2025-06-27 stat.ME
Conformal Inference under High-Dimensional Covariate Shifts via Likelihood-Ratio Regularization
University of Pennsylvania（宾夕法尼亚大学）
针对高维协变量偏移下的保形预测问题，提出 LR-QR 算法，通过结合 pinball loss 与新颖正则化构建阈值函数，避免直接估计似然比，在目标域实现可控覆盖率并在多项高维任务上优于现有方法。
2025-07-01 cs.AI cs.LG stat.ML
Inference of Dynamic Graph Changes for Functional Connectome
动态功能连接性是衡量大脑对连续刺激反应的一种有效方法。提出了一种基于时变图形模型的脑网络动态变化检测方法。虽然大多数现有的方法专注于测试变化点的存在，但在许多神经科学研究中，大脑网络中的动态提供了更多的信号。我们提出了一种新的方法来进行假设检验的动态脑网络的变化。我们引入了一个自举统计近似的最高的高维经验过程动态变化的边缘。我们的模拟表明，该框架可以捕捉到变化的连接点。最后，我们将我们的方法应用于自然音频-视频刺激下的大脑成像数据集，并说明我们能够检测大脑网络中的时间变化。所识别的区域的功能与特定的情感注释是一致的，这与我们的方法推断的变化密切相关。
2020-06-19 stat.AP stat.ME
Spatial-Sign based High dimensional Change Point Inference
本文提出了一种基于空间中位数和空间符号的CUSUM统计量，通过结合max-$L_\infty$型和max-$L_2$型统计量构建自适应检验程序，在高维变点推断中实现了稀疏和密集备择下的高功效与稳健性。
2025-04-27 stat.ME
Classification under Nuisance Parameters and Generalized Label Shift in Likelihood-Free Inference
Carnegie Mellon University（卡内基梅隆大学）；Università di Padova（帕多瓦大学）；Istituto Nazionale di Fisica Nucleare（国家核物理研究所）；Lulea Techniska Universitet（吕勒奥理工大学）；Universal Scientific Education and Research Network（环球科学教育与研究网络）；Universidade Federal de São Carlos（圣卡洛斯联邦大学）
本文针对训练与目标数据在标签和干扰参数分布不同的广义标签偏移问题，提出基于干扰参数空间 ROC 估计的鲁棒分类与不确定性量化方法，使预训练分类器具备领域自适应能力并返回有效预测集。
2024-07-01 cs.LG stat.ML
Likelihood-based Inference for Random Networks with Changepoints
针对演化网络分布结构的突变问题，提出基于似然的无向仿射优先连接网络变点检测方法，建立单变点假设检验框架与一致估计量，扩展至多变点场景，经模拟验证有效并应用于Twitter话题热度建模。
2024-08-14 stat.ME
Calibrated inference: statistical inference that accounts for both sampling uncertainty and distributional uncertainty
本文提出分布不确定性模型，将分布偏移视为大量微小随机变化的叠加，并证明基于单一数据集的稳定性分析可构造同时涵盖抽样与分布不确定性的置信区间。
2025-02-04 stat.ME
Statistical Inference Under Constrained Selection Bias
该研究针对观测数据中受约束的选择偏差问题，提出利用目标分布相关领域知识的统计推断框架，可输出估计量的高概率界，实现广泛估计量的部分识别，且在多类任务及真实场景中验证有效。
2023-11-04 cs.CY stat.ME
Clustered random forests with correlated data for optimal estimation and inference under potential covariate shift
University of Cambridge（剑桥大学）
本文提出聚类随机森林算法，通过利用相关数据间的相关性提升估计和推断性能，并探讨协变量偏移下最优权重的选择方法。
2026-01-23 stat.ME stat.ML
Model-free selective inference under covariate shift via weighted conformal p-values
针对协变量偏移下无需建模假设的选择性推断问题，提出加权保序p值与WCS过程，在有限样本中控制FDR，并支持处理效应推断和异常值检测。
2023-09-26 math.ST stat.AP stat.ME
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
Semiparametric Inference for Counterfactual Regression under Intervention-Driven Shift
Korea University（高丽大学）
该研究针对干预驱动分布偏移下的反事实回归问题，提出半参数框架并建立相关理论，通过模拟与SMS提醒应用验证了方法的有限样本性能与适用性。
2026-09-04 cs.LG stat.ME stat.ML
Estimate Level Adjustment For Inference With Proxies Under Random Distribution Shifts
Central Applied Science, Meta（Meta应用科学中心）
本文提出一种基于领域适应的估计层框架，用于校准代理推断，通过建模代理-主要指标差异作为参数级随机效应，以应对分布偏移带来的不准确性。
2026-05-07 cs.LG stat.ME stat.ML
Augmented Inverse Hybrid Weighting: Robust Inference under Deterministic and Random Distribution Shifts
该研究针对分布偏移问题，提出AIHW方法，通过分离系统偏移与残余随机扰动并权衡两类不确定性，在多站点数据集上验证其可降低均方误差、提升覆盖范围，具有良好鲁棒性。
2026-08-04 cs.LG math.ST stat.ME
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
Inference on the change point with the jump size near the boundary of the region of detectability in high dimensional time series models
本文提出了一种具有潜在变点的高维时间序列模型中变点参数的投影最小二乘估计。重要的是，我们在跳跃大小可能接近可检测区域边界的设置下工作。所提出的方法产生一个最佳的收敛速率，尽管假设的模型和潜在的减少跳跃大小的高维。这个估计的极限分布推导出来，从而允许建设一个置信区间的位置的变化点。提出了实现最优投影最小二乘估计所需的次优估计。预步估计过程的目的也不可知地检测的情况下，没有变化点存在，从而消除了需要预先测试的存在的变化点的推理方法的实施。我们的结果是在一个一般的正定空间依赖设置，假设没有特殊的结构，这种依赖。所提出的方法被设计为高度可扩展的，并适用于非常大的数据。理论结果检测和估计的一致性和限制分布的数值支持通过蒙特卡洛模拟。
2019-09-17 math.ST stat.ME stat.TH
Causal inference amid missingness-specific independencies and mechanism shifts
University of Oslo（奥斯陆大学）；Norwegian Institute of Public Health（挪威公共卫生研究所）；University College Dublin（都柏林大学学院）；INTEGREAT – The Norwegian Center for Knowledge-Driven Machine Learning（INTEGREAT – 挪威知识驱动机器学习中心）
本文提出lm-SCMs和lm- graphs，通过整合标签集解决缺失数据导致的机制转移问题，定义FATE和NATE两种因果效应，并通过模拟和实际应用展示其效果差异。
2025-06-18 math.ST stat.ME stat.TH
Change point inference in high-dimensional regression models under temporal dependence
本文研究高维时间序列回归中的变点估计极限分布，在协变量与噪声均具函数时间依赖时给出理论结果、长期方差估计及算法与不等式副产品。
2023-10-01 math.ST stat.ME stat.TH
Inference for stochastic volatility models using time change transformations
利用马尔可夫链蒙特卡罗（MCMC）方法研究了扩散驱动随机波动模型的参数估计问题。为了避免退化问题，我们引入了一个创新的reparametrisation定义通过转换操作的时间尺度上的扩散。提出了一种新的MCMC方案，克服了时变变换的固有困难。该算法实现速度快，适用于具有随机波动率的模型。该方法通过模拟实验进行了测试，并说明了美国国债利率组成的数据。
2007-11-10 math.ST q-fin.CP stat.CO
$\ell^2$ Inference for Change Points in High-Dimensional Time Series via a Two-Way MOSUM
本文提出基于ℓ²聚合的双向MOSUM方法，用于高维时间序列中密集或空间聚类变点的检测，并通过模拟与股票收益、COVID-19数据验证其有效性。
2023-07-04 math.ST stat.ME stat.TH
Autocovariance Estimation in the Presence of Changepoints
本文研究了均值漂移个数未知数时平稳自协方差结构的估计问题。本文提出并研究了受均值漂移变点污染的相依时间序列中自回归参数的Yule-Walker矩估计。该估计是基于序列的一阶差分，并且当变点数$m$和序列长度$N$满足$m/N \rightarrow 0$为$N \rightarrow \infty$时，证明了该估计是一致的和渐近正态的
2021-02-24 math.ST stat.ME stat.TH
