論文の概要: On Detecting Multiple Simultaneous Change-points in High Dimensional Non-Stationary Time Series

• arxiv url: http://arxiv.org/abs/2609.15479v1
• Date: Mon, 14 Sep 2026 12:36:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.327723
• Title: On Detecting Multiple Simultaneous Change-points in High Dimensional Non-Stationary Time Series
• Title（参考訳）: 高次元非定常時系列における複数同時変化点の検出について
• Abstract要約: 本稿では,高次元の非定常経済・金融時系列データに対する同時変化点の同時検出について検討する。 このフレームワークは、L_2,1の混合ペナルティが、データ依存重みによって一様または再重み付けされる標準的で適応的なグループラッソ法に基づいている。 このアプローチのパフォーマンスは、過去50年間の米国経済・金融時系列データの大規模なパネルの分析を通じて説明される。
• 参考スコア（独自算出の注目度）: 1.2727008125869583
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper studies the detection of multiple simultaneous (systematic) change points for high-dimensional nonstantionary economic and financial time series data. The analytic framework used is based on the standard and adaptive fused group lasso method, where the mixed L_{2,1} penalty is either uniform or re-weighted by data-dependent weights. This paper shows that, under appropriate conditions, this approach is L_2 consistent and, by adopting the data-dependent weights, could correctly select the change points with probability approaching unity (L_0 consis- tency). It quantifies the conditions on the interplay among the averaged minimum magnitude of structural changes, the number of change points and the number of observations for consistently discovering the change points. The performance of this approach is illustrated via an analysis of a large panel of U.S. economic and financial time series data over the past 50 years.
• Abstract（参考訳）: 本稿では,高次元の非定常経済・金融時系列データに対する同時変化点の同時検出について検討する。 分析フレームワークは、L_{2,1}混合のペナルティがデータ依存の重みによって一様または再重み付けされる標準的で適応的なグループラッソ法に基づいている。 本稿は, 適切な条件下では, このアプローチはL_2一貫したものであり, データ依存重みを適用すれば, 整合性に近づく確率 (L_0 consis- tency) で変化点を正しく選択できることを示す。 これは、構造変化の平均最小等級、変化点の数、変化点を一貫して発見するための観測数の間の相互作用の条件を定量化する。 このアプローチのパフォーマンスは、過去50年間の米国経済・金融時系列データの大規模なパネルの分析を通じて説明される。

関連論文リスト

• Maximum diversity, weighting and invariants of time series [0.0]
  本稿では、重み付けの連続性、総和が等級の分布、および最大多様性に対応する変動に焦点を当てる。 近年の研究では、データやモデルパラメータの集合を表す点雲に等級理論を適用することで、等級とデータ分析の関連性も照らしている。
  論文  参考訳（メタデータ） (2025-09-14T07:33:05Z)
• Multiresolution Analysis and Statistical Thresholding on Dynamic Networks [49.09073800467438]
  ANIE(Adaptive Network Intensity Estimation)は、ネットワーク構造が進化する時間スケールを自動的に識別する多段階フレームワークである。 ANIEは適切な時間分解能に適応し、ノイズに頑健でありながら鋭い構造変化を捉えることができることを示す。
  論文  参考訳（メタデータ） (2025-06-01T22:55:55Z)
• Interval-Valued Time Series Classification Using $D_K$-Distance [0.0]
  本稿では,区間を統一エンティティとして扱う分類手法を提案する。 理論的には、オフセットラデマッハ複雑性に基づく深層マルチクラス化器に対するよりシャープな過剰リスクを導出した。
  論文  参考訳（メタデータ） (2025-04-07T01:31:31Z)
• Invariant Measures for Data-Driven Dynamical System Identification: Analysis and Application [0.0]
  本研究では,シミュレーションおよび観測された物理不変量の比較に基づいて,力学系の同定を行う新しい手法を提案する。 ノイズ、カオス、遅いサンプリングを含むシステム識別において、幅広い課題に対して堅牢性を得る。
  論文  参考訳（メタデータ） (2025-01-31T23:27:33Z)
• Causal Discovery-Driven Change Point Detection in Time Series [32.424281626708336]
  時系列における変化点検出は、時系列の確率分布が変化する瞬間を特定することを目的としている。 実践的な応用では、時系列の特定の構成要素にのみ興味を持ち、その分布の急激な変化を探求する。
  論文  参考訳（メタデータ） (2024-07-10T00:54:42Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
  本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。 実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
  論文  参考訳（メタデータ） (2023-10-17T06:29:09Z)
• Deep learning model solves change point detection for multiple change types [69.77452691994712]
  変更点検出は、データ分散の急激な障害をキャッチすることを目的としている。 本稿では,マルチディストリビューションシナリオにおけるアプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-15T09:44:21Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Changepoint Analysis of Topic Proportions in Temporal Text Data [1.8262547855491456]
  トピック比の分布に変化点を規定する特化時間トピックモデルを構築した。 まず、サンプル分割を用いてトピックのポリトープを推定し、次に確率比統計を適用した。 歴史的に知られているいくつかの変化点を取得し、新しい変化点を発見する。
  論文  参考訳（メタデータ） (2021-11-29T17:20:51Z)
• Instance-wise Graph-based Framework for Multivariate Time Series Forecasting [69.38716332931986]
  我々は,異なる時刻スタンプにおける変数の相互依存性を利用するための,シンプルで効率的なインスタンス単位のグラフベースのフレームワークを提案する。 私たちのフレームワークのキーとなる考え方は、異なる変数の履歴時系列から予測すべき現在の時系列に情報を集約することです。
  論文  参考訳（メタデータ） (2021-09-14T07:38:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。