モデル選択としての変化点検出：一般的な枠組み

要旨: 本論文は、L0モデル選択に基づく変化点検出のための一般的な枠組みを提示する。中核となる手法である反復的に重み付けされた融合ラッソ（Iteratively Reweighted Fused Lasso: IRFL）は、汎用ラッソを改良し、支持（support）回復を強化し、ベイズ情報量規準（Bayesian Information Criterion: BIC）のような基準を最小化するために、罰則（ペナルティ）を適応的に再重み付けする。さらに、この手法は、変化点が存在する場合における季節性パターン、線形および二次のトレンド、ならびに自己回帰的な依存性を柔軟にモデル化することを可能にする。
シミュレーション研究により、IRFLが、トレンド、季節性パターン、直列相関をもつ誤差といった妨害因子を含む幅広い困難な状況においても、変化点検出を正確に達成することが示される。この枠組みは画像データにも拡張されており、辺（エッジ）を保持したままのノイズ除去とセグメンテーションを可能にし、医用画像から大量処理型の植物表現型（フェノタイピング）まで幅広い応用に展開できる。
実データへの適用により、IRFLの有用性が示される。とりわけ、マウナ・ロアのCO2時系列の分析では、火山噴火やENSO（エルニーニョ／南方振動）イベントに対応する変化点が見出され、通常の最小二乗（ordinary least squares）よりも精度の高いトレンド分解が得られる。総じて、IRFLは複雑なデータにおける構造変化を検出するための、堅牢で拡張可能なツールを提供する。