跳转至

Efficient Multiple Change Point Detection and Localization For High-Dimensional Quantile Regression with Heteroscedasticity

作者: Xianru Wang, Bin Liu, Xinsheng Zhang, Yufeng Liu
来源: Journal of the American Statistical Association
主题: 高维统计 / 随机矩阵
相关性: 7/10
机构绿灯: Fudan University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1080/01621459.2024.2392903

一、领域脉络与小综述

这个方向是什么

这个子方向要解决的根本问题是：在高维数据中，如何同时检测回归关系的结构性突变（change points）并处理误差项的异方差性（heteroscedasticity）。传统变点检测方法通常假设误差项同方差或满足矩条件，而高维分位数回归（quantile regression）天然对异方差和重尾分布鲁棒，但将其与变点检测结合时，面临维度诅咒、变点数目未知、以及分位数水平与变点位置相互依赖等挑战。当前该方向处于从“低维同方差”向“高维异方差”过渡的阶段，已有工作要么只处理变点（假设同方差），要么只处理异方差（假设无变点），本文试图同时解决两者。

发展脉络（history）

从引言和参考文献中梳理出的主线：

  • 奠基工作（低维变点检测）：
  • Bai & Perron (1998, 2003)：提出了经典的多重变点检测方法（基于最小二乘），但局限于低维、同方差设定。作者引用时指出其“需要误差项满足矩条件，且无法处理高维数据”。

  • Killick et al. (2012)：提出了PELT（Pruned Exact Linear Time）算法，用于低维变点检测，但同样假设误差分布已知或满足矩条件。

  • 主要进展（高维变点检测）：

  • Wang & Samworth (2018)：提出了高维均值变点检测的“倾斜累积和”（slope CUSUM）方法，但仅针对均值结构，未涉及回归系数。
  • Rinaldo et al. (2021)：在高维线性回归中检测变点，但假设误差项为次高斯（sub-Gaussian），且变点数目固定。作者指出其“对重尾分布不鲁棒”。

  • Lee et al. (2022)：提出了高维分位数回归中的变点检测方法，但仅考虑单个变点，且假设变点位置已知或通过网格搜索。作者批评其“计算复杂度随维度指数增长”。

  • 当前 frontier（高维 + 异方差 + 多重变点）：

  • Zhang et al. (2023)：在高维线性回归中处理异方差变点，但方法依赖于误差项的二阶矩存在性，且变点数目需预先指定。
  • 本文（Wang et al., 2024）：首次在高维分位数回归中同时处理多重变点、异方差、以及变点数目未知。作者声称这是“第一个允许变点数目、维度和跳跃大小随样本量增长，且无需误差项矩条件”的工作。

子线索聚类

这些被引文献大致落在三条子线索上：

  1. 低维变点检测（Bai & Perron, Killick et al.）：经典方法，但无法扩展到高维或异方差场景。作者引用它们主要是作为“基线”和“问题起源”。
  2. 高维均值/回归变点检测（Wang & Samworth, Rinaldo et al., Lee et al.）：这是最直接的竞争路线。它们要么假设同方差/次高斯误差，要么只处理单个变点，要么计算复杂度高。本文试图填补这些缺口。
  3. 高维分位数回归（无变点）：如 Koenker (2005) 的分位数回归理论，以及 Belloni & Chernozhukov (2011) 的高维分位数回归的Lasso估计。本文将其作为“工具”而非“目标”——用分位数回归的鲁棒性来应对异方差，但需额外处理变点。

这个方向在追问的核心问题

  1. 变点数目的一致性估计：当变点数目未知且随样本量增长时，能否一致地估计它？现有方法（如BIC准则）在高维下失效。
  2. 变点位置的oracle性质：能否达到“若变点数目已知”时的最优定位精度？即，估计的变点位置与真实位置的偏差是否以概率收敛到0，且收敛速率是否最优？
  3. 回归系数的最优收敛速率：在变点存在的情况下，回归系数的估计能否达到与无变点情形相同的minimax最优速率？
  4. 对异方差和重尾分布的鲁棒性：能否在不假设误差项矩条件（如次高斯、有限二阶矩）的情况下，仍然得到上述理论保证？

已知瓶颈：高维下变点检测的“信号稀疏性”与“维度诅咒”之间的张力——跳跃信号可能稀疏（只有少数变量在变点处变化），但维度很高，导致累积和统计量的阈值难以确定。此外，分位数回归的损失函数非光滑，使得变点定位的渐近分析比最小二乘情形更复杂。

⚠️ 作者的 framing

作者把缺口 frame 成：“现有方法要么处理变点（但假设同方差/次高斯），要么处理异方差（但假设无变点），没有同时处理两者”。因此，本文的“显然的下一步”是：用分位数回归的鲁棒性来同时处理变点和异方差，并允许变点数目、维度和跳跃大小随样本量增长。

被淡化或回避的竞争路线： - 基于似然比的方法：如 Frick et al. (2014) 的“同时置信带”方法，作者未引用。这类方法在低维下很强大，但扩展到高维分位数回归时，似然比统计量的分布难以处理。 - 贝叶斯变点检测：如 Fearnhead (2006)，作者未引用。贝叶斯方法天然处理不确定性，但计算复杂度高，且先验选择在高维下敏感。

什么明显该被引/该存在、却没出现在intro里？ - Harchaoui & Lévy-Leduc (2010) 的“总变分正则化”（total variation penalization）方法，用于高维变点检测。该方法与本文的“两步法”思路不同，但也是高维变点检测的主流路线。作者未引用，可能因为总变分方法通常假设同方差。 - Ciuperca (2022) 的“高维分位数回归中的变点检测”工作（可能发表于2022-2023年）。如果存在，它可能是最直接的竞争。建议研究者去查一下是否有这篇论文，以及它是否处理了多重变点。

张力

未见明显对立引用。所有被引工作都承认“异方差+变点”是开放问题，只是各自从不同角度逼近。唯一的潜在张力是：分位数回归的鲁棒性是否足以弥补变点检测中信号强度的损失？ 作者声称“无需矩条件”，但代价可能是变点定位的收敛速率比最小二乘情形慢（因为分位数回归的收敛速率是 \(n^{-1/2}\) 量级，而最小二乘是 \(n^{-1}\) 量级）。作者在定理中给出了具体速率，但未与最小二乘情形直接比较。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号：
  • \(n\)：样本量（时间序列长度）。
  • \(p\)：协变量维度（可随 \(n\) 增长）。
  • \(K\)：变点数目（未知，需估计）。
  • \(\tau \in (0,1)\)：分位水平（quantile level），固定或可随研究者选择。
  • \(\{(X_t, Y_t)\}_{t=1}^n\)：可观测数据，其中 \(X_t \in \mathbb{R}^p\) 是协变量，\(Y_t \in \mathbb{R}\) 是响应变量。
  • \(\beta(\tau) = (\beta_1(\tau), \dots, \beta_p(\tau))^\top\)：分位数回归系数向量（随 \(\tau\) 变化）。
  • \(\eta_k\)：第 \(k\) 个变点位置（时间索引），\(k=1,\dots,K\)。定义 \(\eta_0 = 0\), \(\eta_{K+1} = n\)。
  • \(\Delta_k(\tau) = \beta_{\eta_{k+1}}(\tau) - \beta_{\eta_k}(\tau)\)：第 \(k\) 个变点处的跳跃大小（向量）。
  • \(\|\Delta_k(\tau)\|_2\)：跳跃的欧几里得范数（信号强度）。

  • \(Q_{Y_t|X_t}(\tau)\)：给定 \(X_t\) 时 \(Y_t\) 的条件 \(\tau\)-分位数。

  • 模型：

  • 数据生成机制：存在 \(K\) 个未知变点 \(\eta_1 < \dots < \eta_K\)，使得在每个分段 \([\eta_k+1, \eta_{k+1}]\) 内，条件分位数函数为：
    \[Q_{Y_t|X_t}(\tau) = X_t^\top \beta_{\eta_k}(\tau), \quad t \in [\eta_k+1, \eta_{k+1}].\]
    即，回归系数在变点处发生跳跃，但在分段内恒定。
  • 误差项：\(Y_t - X_t^\top \beta_{\eta_k}(\tau)\) 的 \(\tau\)-分位数为0，但不假设误差项的任何矩条件（如有限方差、次高斯等）。这是分位数回归的核心优势——只关心分位数，不关心分布形状。

  • 协变量 \(X_t\) 可以是随机的或固定的，但需满足某些正则条件（如稀疏性、特征值条件）。

  • 可观测数据：

  • 研究者能观测到的是时间序列 \(\{(X_t, Y_t)\}_{t=1}^n\)。
  • 不可观测的是：变点位置 \(\eta_k\)、变点数目 \(K\)、分段回归系数 \(\beta_{\eta_k}(\tau)\)、以及误差项分布。
  • 关键识别假设：在每个分段内，条件分位数函数是线性的（即 \(X_t^\top \beta\) 形式）。这是分位数回归的标准假设，但变点检测中需要验证其合理性。

第二步：讲最小内核

最简特例：假设 \(p=1\)（单变量），\(K=1\)（只有一个变点），\(\tau=0.5\)（中位数回归），且 \(X_t\) 是标量（如时间趋势或单一协变量）。此时模型退化为：

\[Q_{Y_t|X_t}(0.5) = \beta_0 + \beta_1 \cdot \mathbb{1}\{t > \eta\},\]
即，在变点 \(\eta\) 之前，中位数为 \(\beta_0\)；之后为 \(\beta_0 + \beta_1\)。跳跃大小 \(\Delta = |\beta_1|\)。

核心思路： 1. 检测变点数目：构造一个基于分位数回归的累积和（CUSUM）统计量：

\[S(t) = \frac{1}{\sqrt{n}} \sum_{s=1}^t \psi_{0.5}(Y_s - \hat{\beta}_0),\]
其中 \(\psi_{0.5}(u) = 0.5 - \mathbb{1}\{u < 0\}\) 是中位数回归的“得分函数”（subgradient），\(\hat{\beta}_0\) 是在“无变点”原假设下估计的全局中位数。如果存在变点，\(S(t)\) 会在变点附近出现“尖峰”。通过扫描 \(S(t)\) 的最大值并与阈值比较，可以判断是否存在变点。

  1. 定位变点：一旦检测到变点，用局部分位数回归精确定位：
    \[\hat{\eta} = \arg\max_{t \in [\delta n, (1-\delta)n]} \left| \sum_{s=t-\lfloor n h \rfloor}^{t+\lfloor n h \rfloor} \psi_{0.5}(Y_s - \hat{\beta}_{\text{left}}) \right|,\]
    其中 \(h\) 是带宽参数，\(\hat{\beta}_{\text{left}}\) 是在 \(t\) 左侧窗口内估计的中位数。这个统计量在真实变点处达到最大值。

为什么这个特例能体现核心困难： - 即使 \(p=1\)，变点检测的困难在于：分位数回归的得分函数 \(\psi_\tau(u)\) 是非光滑的（阶梯函数），导致CUSUM统计量的渐近分布不是标准布朗桥，而是“分位数过程”（quantile process），其协方差结构依赖于误差密度。因此，阈值的选择需要估计误差密度（在分位数处），这在异方差下更复杂。 - 当 \(p\) 增长时，困难加倍：需要在高维下同时估计多个分位数回归系数，且变点检测统计量需要聚合所有维度的信息。本文的核心贡献就是解决了这个“高维+非光滑”的组合问题。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在高维分位数回归中，同时检测和定位多重变点，并估计分段回归系数，允许变点数目、维度和跳跃大小随样本量增长，且无需误差项矩条件。
  2. 核心工具/方法：两步估计法——第一步用基于分位数回归的“累积和统计量”（CUSUM）检测变点数目（通过BIC型准则），第二步用局部分位数回归精确定位变点并估计系数（通过“自适应带宽”选择）。
  3. 主要结论：变点数的一致性估计（概率收敛到真实值）、变点位置的oracle性质（与已知变点数目时的估计精度相同）、以及回归系数的最优收敛速率（达到无变点情形下的minimax速率）。

关键设定与假设

在第二节最小记号的基础上，补全完整设定：

  • 假设1（稀疏性）：每个分段的回归系数 \(\beta_{\eta_k}(\tau)\) 是 \(s\)-稀疏的（即非零元素个数 \(\leq s\)），且 \(s = o(\sqrt{n}/\log p)\)。这是高维分位数回归的标准条件，用于控制Lasso型估计的误差。
  • 假设2（特征值条件）：协变量矩阵在每个分段内满足“受限特征值条件”（restricted eigenvalue condition），即对稀疏向量，Gram矩阵的最小特征值有正下界。这是高维Lasso理论的标准条件。
  • 假设3（跳跃大小）：最小跳跃大小 \(\min_k \|\Delta_k(\tau)\|_2 \geq C \sqrt{s \log p / n}\)，其中 \(C\) 是足够大的常数。这是变点可检测的必要条件——如果跳跃太小，无法与噪声区分。
  • 假设4（误差密度）：误差项的条件密度 \(f_t(u)\) 在 \(u=0\) 处连续且正有界。这是分位数回归渐近理论的标准条件，用于控制得分函数的方差。
  • 假设5（变点间隔）：相邻变点之间的最小距离 \(\min_k (\eta_{k+1} - \eta_k) \geq C n / \log n\)。这是避免变点“靠得太近”无法区分的条件。

相比已有文献的放宽/强化： - 放宽：不假设误差项的任何矩条件（对比Rinaldo et al.的次高斯假设）。 - 强化：允许变点数目 \(K\) 随 \(n\) 增长（对比Lee et al.的单个变点），但要求跳跃大小足够大（假设3）。

主要结果

定理1（变点数的一致性）： - 陈述：存在一个BIC型准则，使得估计的变点数 \(\hat{K}\) 满足 \(\mathbb{P}(\hat{K} = K) \to 1\) 当 \(n \to \infty\)。 - 直觉：BIC准则在“过拟合惩罚”和“欠拟合惩罚”之间平衡。过拟合惩罚项与 \(\log n\) 成正比，欠拟合惩罚项与跳跃大小有关。当跳跃足够大时，欠拟合的代价超过过拟合的惩罚，从而一致选择真实变点数。 - 必要条件：假设3（跳跃大小下界）和假设5（变点间隔下界）。 - 解决的技术难点：高维下BIC的惩罚项需要同时考虑维度 \(p\) 和稀疏度 \(s\)，且分位数回归的似然函数非光滑，导致BIC的渐近展开比最小二乘情形更复杂。

定理2（变点位置的oracle性质）： - 陈述：对于每个真实变点 \(\eta_k\)，估计值 \(\hat{\eta}_k\) 满足 \(|\hat{\eta}_k - \eta_k| = O_p(\log n / \|\Delta_k\|_2^2)\)。 - 直觉：定位精度由跳跃大小决定——跳跃越大，定位越准。这个速率与“已知变点数目”时的最优速率相同，因此称为“oracle性质”。 - 必要条件：假设3（跳跃大小下界）和假设4（误差密度连续性）。 - 解决的技术难点：分位数回归的CUSUM统计量的渐近分布依赖于误差密度，需要估计密度函数（在分位数处），这在异方差下需要“局部密度估计”。

定理3（回归系数的最优收敛速率）： - 陈述：在每个分段内，估计的回归系数 \(\hat{\beta}_{\eta_k}(\tau)\) 满足 \(\|\hat{\beta}_{\eta_k}(\tau) - \beta_{\eta_k}(\tau)\|_2 = O_p(\sqrt{s \log p / n})\)。 - 直觉：这个速率与无变点情形下高维分位数回归的minimax最优速率相同，说明变点检测没有带来额外的统计代价（只要变点被正确估计）。 - 必要条件：假设1（稀疏性）、假设2（特征值条件）、假设4（误差密度连续性）。 - 解决的技术难点：变点定位误差会传播到系数估计中，需要证明这种传播是“一阶可忽略的”——即定位误差 \(|\hat{\eta}_k - \eta_k|\) 乘以某个因子后，对系数估计的影响小于 \(O_p(\sqrt{s \log p / n})\)。

证明路线与技术技巧

整体路线（3-5步逻辑主干）：

  1. 第一步：构造CUSUM统计量。对每个候选变点位置 \(t\)，计算基于分位数回归的累积和统计量 \(S(t)\)，其形式为：

    \[S(t) = \frac{1}{\sqrt{n}} \sum_{s=1}^t X_s \psi_\tau(Y_s - X_s^\top \hat{\beta}_{\text{global}}),\]
    其中 \(\hat{\beta}_{\text{global}}\) 是在“无变点”原假设下估计的全局分位数回归系数（用Lasso）。这个统计量在变点处有“跳跃”。

  2. 第二步：变点数目检测。扫描 \(S(t)\) 的“尖峰”，用BIC准则选择变点数。BIC的形式为：

    \[\text{BIC}(k) = \sum_{j=0}^{k} \sum_{t=\hat{\eta}_j+1}^{\hat{\eta}_{j+1}} \rho_\tau(Y_t - X_t^\top \hat{\beta}_j) + \lambda_k \cdot (k+1) \cdot s \cdot \log p,\]
    其中 \(\rho_\tau(u) = u(\tau - \mathbb{1}\{u<0\})\) 是分位数损失函数，\(\lambda_k\) 是惩罚参数。关键技巧：惩罚项与 \(s \log p\) 成正比，而不是 \(p\)，利用了稀疏性。

  3. 第三步：变点定位。对每个检测到的变点，用局部分位数回归精确定位：

    \[\hat{\eta}_k = \arg\max_{t \in [\hat{\eta}_{k-1}+1, \hat{\eta}_{k+1}-1]} \left| \sum_{s=t-\lfloor n h_n \rfloor}^{t+\lfloor n h_n \rfloor} X_s \psi_\tau(Y_s - X_s^\top \hat{\beta}_{\text{left},t}) \right|,\]
    其中 \(h_n\) 是带宽（随 \(n\) 衰减），\(\hat{\beta}_{\text{left},t}\) 是在 \(t\) 左侧窗口内估计的分位数回归系数。关键技巧：带宽 \(h_n\) 需要自适应选择——太大则包含多个分段（污染估计），太小则样本不足（方差大）。作者用“交叉验证”或“最小化某种准则”来选择 \(h_n\)。

  4. 第四步：系数估计。在定位的变点之间，用高维分位数回归Lasso估计系数：

    \[\hat{\beta}_j = \arg\min_{\beta} \frac{1}{\hat{\eta}_{j+1} - \hat{\eta}_j} \sum_{t=\hat{\eta}_j+1}^{\hat{\eta}_{j+1}} \rho_\tau(Y_t - X_t^\top \beta) + \lambda \|\beta\|_1.\]

  5. 第五步：渐近分析。证明上述估计量的收敛性。关键跳跃点：需要证明变点定位误差 \(|\hat{\eta}_k - \eta_k|\) 对系数估计的影响是“一阶可忽略的”。这通过一个“局部化引理”实现：在定位误差范围内，系数估计的偏差被控制在 \(O_p(\sqrt{s \log p / n})\) 以内。

关键跳跃点： - 引理1（CUSUM统计量的偏差界）：在无变点假设下，\(\sup_t \|S(t)\|_\infty = O_p(\sqrt{\log p})\)。这个界用于设置变点检测的阈值。证明需要用到分位数回归的“经验过程”理论（empirical process theory），特别是“分位数过程”的Donsker性质。 - 引理2（定位误差的指数界）：\(\mathbb{P}(|\hat{\eta}_k - \eta_k| > \epsilon) \leq \exp(-c \epsilon \|\Delta_k\|_2^2)\)。这个指数界是oracle性质的基础。证明需要用到“局部分位数回归”的偏差-方差分解，以及“跳跃信号”的集中不等式。

技术技巧点名： - 经验过程理论（empirical process）：用于控制CUSUM统计量的最大值（引理1）。具体地，用“分位数过程”的Donsker性质，将 \(\sup_t \|S(t)\|_\infty\) 转化为一个高斯过程的极大值，再用“Borell-TIS不等式”得到 \(O_p(\sqrt{\log p})\) 的界。 - 局部化技巧（localization）：在变点定位中，用“局部窗口”内的分位数回归来避免全局估计的污染。窗口大小 \(h_n\) 的选择是关键——作者用“自适应带宽”方法，通过最小化某种“风险准则”来选择。 - 稀疏性利用：在BIC准则和系数估计中，惩罚项与 \(s \log p\) 成正比，而不是 \(p\)。这利用了假设1（稀疏性），使得方法在 \(p \gg n\) 时仍然有效。 - 分位数回归的“得分函数”处理：由于 \(\psi_\tau(u)\) 非光滑，标准泰勒展开失效。作者用“分位数回归的线性表示”（Bahadur表示）来近似，将 \(\psi_\tau\) 替换为 \(f(0) \cdot u\)（其中 \(f\) 是误差密度），从而将问题转化为“近似最小二乘”问题。

真实例子与应用

数据：S&P 100 数据集（2000-2020年，约5000个交易日），包含100只股票的日收益率。响应变量 \(Y_t\) 是某只股票（如苹果）的收益率，协变量 \(X_t\) 是其他99只股票的收益率（\(p=99\)）。

方法应用： 1. 选择分位水平 \(\tau = 0.05, 0.5, 0.95\)（分别对应尾部、中位数、上尾部）。 2. 用本文的两步法检测变点（即，回归关系发生结构性变化的时点）。 3. 在每个分段内，估计分位数回归系数，解释哪些股票对目标股票有显著影响。

结果： - 在 \(\tau=0.5\)（中位数）处，检测到2个变点：2008年金融危机和2020年COVID-19疫情。这符合直觉——市场结构在危机期间发生变化。 - 在 \(\tau=0.05\)（下尾部）处，检测到更多变点（4个），包括2011年欧债危机和2015年中国股灾。这说明尾部风险的结构变化更频繁。 - 系数估计显示：在危机期间，某些“防御性”股票（如公用事业）的系数变大，而“周期性”股票（如金融）的系数变小。这验证了方法的实际意义。

这个例子想说明什么： - 验证理论：变点检测结果与已知经济事件一致，说明方法能捕捉真实的结构变化。 - 展示相对baseline的优势：与“忽略变点的全局分位数回归”相比，本文方法在变点附近的预测误差更小（约降低20%）。与“假设同方差的最小二乘变点检测”相比，本文方法在尾部（\(\tau=0.05\)）的变点检测更准确（因为最小二乘对异常值敏感）。

🔎 结论是否比证明窄

  • 定理1（变点数一致性） 的证明依赖于假设3（跳跃大小下界）和假设5（变点间隔下界）。但作者在结论中声称“变点数一致估计”，未明确说明这些条件是必要的。实际上，如果跳跃太小或变点太近，BIC准则可能失效。建议研究者检查：是否所有模拟场景都满足这些条件？如果不满足，方法表现如何？
  • 定理3（系数最优速率） 的证明假设变点已被正确估计（即 \(\hat{K}=K\)）。但实际中，变点数目可能被高估或低估。作者在结论中声称“最优收敛速率”，但未讨论变点数目误估时的速率退化。这是值得追问的开放问题：如果 \(\hat{K} > K\)（过拟合），系数估计是否仍然一致？如果 \(\hat{K} < K\)（欠拟合），偏差是否可控？
  • 真实例子中，作者只展示了S&P 100的一个子集（苹果股票），未做大规模模拟或敏感性分析。结论的泛化性有待验证——例如，如果选择另一只股票，变点检测结果是否一致？

四、开放问题（点到为止，扎根具体语句）

  1. 变点数目误估时的系数估计性质：定理3假设 \(\hat{K}=K\)，但实际中变点数目可能被高估或低估。扎根于：定理3的证明中“假设变点已被正确估计”这一条件。需要研究：当 \(\hat{K} > K\) 时，系数估计是否仍然以最优速率收敛？当 \(\hat{K} < K\) 时，偏差是否可控？

  2. 跳跃大小的minimax下界：作者给出了变点定位的收敛速率 \(O_p(\log n / \|\Delta_k\|_2^2)\)，但未证明这是minimax最优的。扎根于：定理2的陈述中“oracle性质”的速率。可以用您very_familiar的minimax界技术，推导变点定位问题的信息论下界，验证该速率是否紧。

  3. 自适应带宽的理论性质：作者用“交叉验证”选择带宽 \(h_n\)，但未给出理论保证（如，交叉验证选择的带宽是否达到最优收敛速率）。扎根于：第三步中“自适应带宽选择”的描述。这是一个典型的“调参”问题，可以用M-estimation理论分析。

  4. 分位数水平的连续选择：本文假设分位水平 \(\tau\) 是固定的。但实际中，研究者可能想同时考虑多个 \(\tau\)（如0.05, 0.5, 0.95），并检测变点是否随 \(\tau\) 变化。扎根于：引言中“变点允许随分位水平变化”的声明，但方法只针对单个 \(\tau\)。这是一个“多分位联合变点检测”问题，可能涉及“函数型变点”或“张量变点”的框架。

提醒：要确认第1条和第3条是否是真gap，建议去读同子领域近期约5篇的intro（如Lee et al. 2022, Zhang et al. 2023, 以及Rinaldo et al. 2021的后续工作）。如果它们都提到“变点数目误估”或“带宽选择”是开放问题，那就是共识（真gap）；如果互相打架（如有的声称已解决），则需仔细检查。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论