DUST：一种用于精确多变点检测的二元性削减方法
统计方法学
2025-07-14 v2 统计计算
摘要
我们解决了在大型时间序列中检测多个变点问题，方法是优化来源于指数族模型的惩罚似然。动态编程算法可在最多二次时间复杂性下精确求解此任务。近年来，削减策略的开发显著提高了计算效率。然而，两种现有方法都存在显著局限：PELT 在稀疏变点场景下难以实现削减效率，而 FPOP 的结构不适用于多参数设置。为此，我们引入 DUal Simple Test (DUST) 框架，通过对双函数进行阈值评估来削减候选变点。该方法高度灵活且适用于任何维度的参数模型。在轻微假设下，我们为 underlying 非凸削减问题建立了强二元性。我们展示了 DUST 在各种变点场景和模型下的有效性。特别对于单参数模型，DUST 像 PELT 一样简单，又像 FPOP 一样高效。其优势在于非高斯模型上。最后，我们将 DUST 应用于小鼠监控时间序列，采用变异率模型，说明其能够高效恢复最优变点结构。
引用
@article{arxiv.2507.02467,
title = {DUST: A Duality-Based Pruning Method For Exact Multiple Change-Point Detection},
author = {Vincent Runge and Charles Truong and Simon Querné},
journal= {arXiv preprint arXiv:2507.02467},
year = {2025}
}