用于扫描统计的高效回归模型
Efficient Regression Models for Scan Statistics
- University of Utah（犹他大学）
- CosmicAI（宇宙人工智能公司）
- National Radio Astronomy Observatory（国家射电天文台）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
该研究针对扫描统计提出新型高效回归模型，将原O(n⁴)复杂度优化为线性时间，可有效检测合成异常与干涉天文学的真实平台化问题。
AI中文摘要：
我们提出了一类针对实值信号扫描统计的新型回归模型，这类模型可更好地拟合非平稳信号，以对比扫描统计识别出的区间异常。我们的模型可表示广义似然比统计量。对于长度为n的信号，这类方法原本需要O(n⁴)的计算量，我们通过算法改进得到了线性时间算法（假设最大区间宽度受限）。我们的方法，尤其是基于Nadaraya-Watson核回归的方法，在检测人工植入的异常以及识别干涉天文学中真实的“平台化”问题时表现尤为出色。
英文摘要：
We introduce a new class of regression models for scan statistics on real-valued signals. These allow for improved fitting of non-stationary signals to contrast with the interval anomalies identified by the scan statistics. Our models can represent generalized likelihood ratio statistics. While these methods naively require $O(n^4)$ for a length $n$ signal, we provide algorithmic improvements which lead to linear time algorithms (with assumptions on max interval width). Our methods, especially ones based on Nadaraya-Watson kernel regression, are demonstrated as especially effective in detecting both synthetically planted anomalies, and for identifying a real ``platforming'' issue in interferometric astronomy.
