报告时间：2025年7月15日（周二）上午10:00-11:00
报告地点：国交2号楼315会议室
报告人：professor Zhengyuan Zhu
报告人简介: 朱教授是爱荷华州立大学文理学院院长讲席教授，现任统计调查研究中心主任。他本科毕业于复旦大学数学系，并在芝加哥大学统计系获得统计学博士学位。朱教授的研究方向包括空间统计学、空间采样设计、时间序列分析、调查统计学，以及统计方法在环境科学、自然资源调查、农业统计和交通运输统计中的应用。他的研究工作获得了美国国家科学基金会（NSF）、美国环保署（EPA）、国家卫生研究院（NIH）、农业部（USDA）、内政部（DOI）和联合国粮农组织（FAO）等机构的资助。他是美国国家资源调查（National Resources Inventory）项目的首席研究员，曾担任联合国粮农组织全球项目的科学顾问，以及美国国家科学院休闲渔业数据与管理战略委员会委员。朱教授是美国统计学会（ASA）会士、国际统计学会（ISI）当选会员。
摘要：We present a non-parametric change-point detection approach to detect potentially sparse changes in a time series of high-dimensional observations or non-Euclidean data objects. We target a change in distribution that occurs in a small, unknown subset of dimensions, where these dimensions may be spatially correlated. Our work is motivated by a remote sensing application
where changes occur in small, spatially clustered regions over time. An adaptive block-based change-point detection framework is proposed that accounts for spatial dependencies across dimensions and leverages these dependencies to boost detection power and improve estimation accuracy. Through simulation studies, we demonstrate that our approach has superior performance in detecting sparse changes in datasets with spatial or local group structures. An application of the proposed method to detect changes in remote sensing imagery is presented.
