Quickest Detection with Social Learning: Interaction of local and global decision makers
我们考虑如何本地和全球的决策政策相互作用的停止时间的问题，如最快的时间变化检测。个体智能体通过社会学习做出短视的局部决策，即每个智能体记录对噪声底层状态过程的私人观察，自私地优化其局部效用，然后广播其局部决策。给定这些局部决策，全局决策者如何在底层状态根据相位型分布变化时实现最快的时间变化检测？本文提出了四个结果。首先，使用Blackwell优势的措施，它表明，在社会学习的最快检测所产生的最优成本总是大于经典的最快检测。其次，它表明，在一般情况下，最佳的决策政策，基于社会学习的最快检测的特点是多个阈值内的贝叶斯分布的空间。第三，使用格规划和随机优势，充分条件给出的最优决策策略，由一个单一的线性超平面，或更一般地说，一个阈值曲线。这个阈值曲线的最佳线性近似估计制定为一个基于模拟的随机优化问题。最后，本文表明，在多智能体传感器管理与最快的检测，每个代理人认为世界根据其事先，最优策略具有类似的结构，社会学习。
2012-03-02 cs.GT cs.IT math.IT
Asymptotic Performance Analysis of Non-Bayesian Quickest Change Detection with an Energy Harvesting Sensor
在本文中，我们考虑了一个非贝叶斯连续变化检测的基础上的累积和（Cumulative Sum）算法所采用的能量收集传感器的分布之前和之后的变化被假定为已知的。在时隙离散时间模型中，传感器完全由随机可用的收集能量供电，如果它有足够的能量来感测和处理样本，则获得样本并计算两个分布的对数似然比。如果它在给定时隙中没有足够的能量，则它等待，直到它在未来时隙中获得足够的能量来执行任务。我们推导出渐近表达式的预期检测延迟（实际发生变化时），和渐近尾部分布的游程长度的虚警（当变化从来没有发生）。我们表明，当平均收获的能量（$\bar H$）大于或等于所需的能量来感测和处理一个样本（$E_s$），标准现有的渐近结果适用于测试，因为在传感器的能量存储水平大于$E_s$后足够长的时间。然而，当$\bar H < E_s$时，能量存储水平可以由具有唯一平稳分布的正Harris递归马尔可夫链来建模。使用渐近结果从马尔可夫随机游动理论和相关的非线性马尔可夫更新理论，我们建立了渐近表达式的预期检测延迟和渐近指数的尾部分布的游程长度的虚警在这种非平凡的情况下。数值结果支持理论结果。
2020-01-14 eess.SP stat.AP
Asymptotically Optimal Quickest Change Detection In Multistream Data - Part 1: General Stochastic Models
假设有多个数据流（通道，传感器），在每个流中，感兴趣的过程通常产生相关和非相同分布的观察。当过程处于正常模式（受控）时，（变更前）分布是已知的，但当过程变得异常时，存在参数不确定性，即，改变后（失控）分布仅部分地已知直到参数。变更点和变更后参数都是未知的。此外，该改变影响流的未知子集，使得受影响的流的数量和它们的位置预先是未知的。一个好的变点检测程序应该在变化发生后尽快检测到变化，同时控制误报的风险。我们认为贝叶斯设置与给定的先验分布的变化点，并提出了两个顺序的混合为基础的变化检测规则，一个混合的Shiryaev型统计在两个未知的子集受影响的流和未知的变化后的参数，另一个混合的Shiryaev-罗伯茨型统计。这些规则概括了Tartakovsky（2018）在单流情况下研究的混合检测过程。我们提供了充分条件下，建议的多流变化检测程序是一阶渐近最优的时刻检测的延迟作为虚警的概率接近零。
2018-07-24 math.PR math.ST stat.TH
Exactly Optimal Bayesian Quickest Change Detection for Hidden Markov Models
本文研究了贝叶斯环境下隐马尔可夫模型的最快检测问题。我们构建了一个增强的HMM表示的问题，允许应用动态规划方法来证明Shiryaev的规则是一个（精确的）最优解。这种增强的表示突出了问题的基本信息结构，并建议可能放宽到更多的异国情调的变化事件的先验文献中没有出现。最后，这种增强表示也使我们能够提出一个有效的计算方法来实现最优解。
2023-03-16 cs.IT cs.SY eess.SY
Data-Efficient Minimax Quickest Change Detection in a Decentralized System
传感器网络被认为是一个序列的随机变量在每个传感器观察。在每一个时间步，一个处理后的版本的观察是从传感器传输到一个共同的节点称为融合中心。在某个未知的时间点，所有传感器节点处的观测值的分布发生变化。目标是在虚警率和每个传感器观测成本的限制下，尽快检测这种分布变化。针对上述问题，提出了极大极小问题的求解方法.提出了一种数据有效的算法，在该算法中，在每个传感器处使用自适应采样策略来控制在改变之前使用的观测值的成本。为了节省通信成本，偶尔从每个传感器向融合中心发送二进制数字。结果表明，所提出的算法是全局渐近最优的配方，作为虚警率趋于零。
2014-08-20 cs.IT math.IT math.PR
Quickest detection in coupled systems
这项工作考虑的问题，最快的检测信号的耦合系统中的$N$传感器，从环境中接收连续的顺序观察。它是假设的信号，这是由一般伊藤过程建模，耦合跨传感器，但其发病时间可能会有所不同，从传感器到传感器。考虑两种主要情况;在第一种情况下，信号强度在传感器之间是相同的，而在第二种情况下，它们相差一个常数。目标是系统中的任何传感器接收信号的第一时间的最佳检测。该问题被配制成一个随机最优化问题，其中扩展的最小Kullback-Leibler发散准则被用作检测延迟的测量，与第一个虚警的平均时间的约束。考虑了传感器采用累积和策略的情况，证明了当到达第一个虚警的平均时间无限增加时，$N$累积和的最小值是渐近最优的.特别地，在传感器之间的信号强度相等的情况下，可以看出，随着到第一假警报的平均时间无限制地增加，$N$ -$N$ -UM停止规则和未知的最优停止方案的检测延迟的差趋向于与传感器的数量相关的常数。可替换地，在信号强度不相等的情况下，可以看出该差趋于零。
2014-03-16 cs.IT math.IT math.OC
Quickest Change Point Detection and Identification Across a Generic Sensor Array
在本文中，我们考虑的问题最快的变化点检测和识别的线性阵列的$N$传感器，其中的变化模式可以首先到达这些传感器中的任何一个，然后传播到其他传感器。我们的目标不仅是尽可能快地检测到这种变化的存在，而且要确定变化模式首先到达哪个传感器。我们共同设计了两个决策规则：停止规则，它决定何时应该停止采样并声称发生了变化，以及终端决策规则，它决定变化模式首先到达哪个传感器，其目标是在检测延迟，虚警概率和错误识别概率之间取得平衡。我们表明，这个问题可以转换为一个马尔可夫最优停时问题，从中可以借用一些技术工具。此外，为了避免最优规则的高实现复杂度问题，我们开发了一种具有更简单的结构和一定的性能保证的方案。
2013-05-17 cs.IT math.IT
Quickest detection in coupled systems
这项工作考虑了N个传感器的耦合系统中的信号的最快检测问题，该系统从环境中接收连续的顺序观测。它是假设的信号，这是一个通用的伊藤过程建模，耦合跨传感器，但它们的发病时间可能会有所不同，从传感器到传感器。目标是系统中的任何传感器接收信号的第一时间的最佳检测。该问题被制定为一个随机优化问题，其中扩展的平均Kullback-Leibler发散准则被用作检测延迟的度量，与平均时间之间的虚警的约束。考虑了传感器采用累积和策略的情况，证明了当平均虚警间隔时间无限增加时，N个累积和策略的最小值是渐近最优的.
2009-10-24 cs.IT math.IT
Data-Efficient Quickest Outlying Sequence Detection in Sensor Networks
针对传感器网络中未知时刻、未知子集传感器的观测分布变化检测问题，提出带多约束的极小极大表述与渐近最优算法，数值验证其性能显著优于传统分数采样方法。
2014-11-04 cs.IT math.IT math.PR
Quickest Detection over Sensor Networks with Unknown Post-Change Distribution
我们提出了一个最快的变化检测问题，传感器网络中的传感器的子集正在发生变化和局部变化后的分布是未知的。网络中的每个传感器在有限的字母表上观察局部离散时间随机过程。初始时，观测值是独立同分布（i.i.d.）的。已知的变化前分布独立于其它传感器。在固定但未知的变化点处，传感器的固定但未知的子集经历变化并开始观察来自未知分布的样本。我们假设可以使用分布空间上的凹（或凸）局部统计量来量化变化。我们提出了一个渐近最优的和计算易处理的停时Lorden的标准。在这种情况下，我们提出的方法使用凹的全球累积和（CIMUM）统计融合中心和抑制最有可能的虚警使用信息投影。最后，我们给出了一些数值模拟的结果，我们的算法所描述的问题。
2021-02-09 cs.IT eess.SP math.IT
Bandwidth-Constrained Distributed Quickest Change Detection in Heterogeneous Sensor Networks: Anonymous vs Non-Anonymous Settings
研究异构传感器网络中带宽受限的分布式快速变化检测，提出加权投票规则，优于匿名方案，揭示匿名代价。
2023-05-09 cs.IT math.IT
Bayesian Sequential Detection with Phase-Distributed Change Time and Nonlinear Penalty -- A POMDP Approach
我们证明了几种类型的贝叶斯序贯检测问题的最优决策策略在后验分布空间上具有阈值切换曲线结构。这是建立在部分观测马尔可夫决策过程（POMDP）框架中使用格规划和随机订单。提出了一种随机梯度算法来估计该阈值曲线的最佳线性逼近。我们说明这些结果首先考虑最快的时间检测相位型分布的变化时间和方差停止处罚。然后证明了阈值切换曲线也出现在其他几个贝叶斯决策问题，如最快的瞬态检测，指数延迟（风险敏感）的处罚，停止时间问题的社会学习，和多智能体调度在不断变化的世界。利用Blackwell优势，证明了动态决策问题的最优决策策略是近视策略的下界。最后，它示出了如何实现的最优决策策略的成本变化与变化的时间分布施加偏序的过渡矩阵。
2011-06-13 cs.IT math.IT stat.ME
Distributed Bayesian Quickest Change Detection in Sensor Networks via Two-layer Large Deviation Analysis
提出了一种基于随机流言的传感器间通信结构的分布式贝叶斯最快变化检测算法。在没有控制或融合中心的情况下，每个传感器以并行和分布式方式执行其本地变化检测过程，通过随机传感器间通信与其相邻传感器交互以传播信息。通过将网络中的信息传播过程建模为马尔可夫过程，提出了两层大偏差分析方法来分析算法的性能。第一层分析表明，虚警概率与条件平均检测时延之间的关系满足大偏差原理，即当条件平均检测时延增加时，罕见事件的虚警概率以指数速度衰减到零，其中Kullback-Leibler信息数是一个关键因素.第二层分析表明，当平均通信次数增加时，并非所有观测值在传感器处都可用的罕见事件的概率以指数快速的速率衰减到零，其中还导出了该速率的大偏差上界和下界，基于此，我们表明分布式算法的性能以指数快速收敛到集中式算法的性能，通过证明定义的分布式Kullback-Leibler信息数收敛于集中式Kullback-Leibler信息数。
2015-12-08 cs.IT math.IT
Quickest Change Detection with a Censoring Sensor in the Minimax Setting
Hong Kong University of Science and Technology（香港科技大学）；Zhejiang University（浙江大学）；Royal Institute of Technology（皇家理工学院）
本文研究了具有 censoring 传感器的最快变化检测问题，通过最小最大方法优化 censoring 策略和停止时间，以最小化检测延迟并满足平均运行长度和平均能量成本的约束。
2014-11-12 cs.IT cs.SY eess.SY
One shot schemes for decentralized quickest change detection
这项工作考虑了N个分布式传感器，从环境中接收连续的顺序观测的最快检测的问题。这些传感器采用累积和（CSCUM）策略，并通过一次性方案与中央融合中心进行通信。单触发方案是传感器仅与融合中心通信一次的方案，之后它们必须发出检测信号。通信显然是异步的，并考虑融合中心采用最小策略的情况，这意味着当第一次通信发生时，它会发出警报。假设在传感器处接收到的观测是独立的，并且信号出现的时间点是不同的。结果表明，有没有损失的性能相比，集中式的情况下，在扩展的Lorden最小-最大意义上的一次拍摄计划，因为最小的N个NMEUMS是渐近最优的平均时间之间的虚警增加没有约束。
2008-08-03 cs.IT math.IT
Multi-stream Quickest Change Detection: Foundations and Recent Advances
Aalto University（阿尔托大学）
本文综述了高维多传感器系统中快速变化检测的最新进展，重点解决结构约束和有限传感资源下的挑战，介绍了利用稀疏性等方法处理高维性、采样约束以及多流检测问题，并讨论了机器学习在未知概率模型或大规模系统中的应用。
2026-04-20 cs.IT math.IT math.ST
Asymptotic Optimality in Byzantine Distributed Quickest Change Detection
研究了Byzantine分布式最快变化检测（BDQCD）算法，融合中心通过一组可能被破坏的分布式传感器监测突发事件的发生。我们首先考虑的二元假设的情况下，只有一个后改变的假设，并证明了一个新的逆一阶渐近检测延迟在大的平均时间到虚警制度。这一逆命题是严密的，因为它与Fellouris等人所示的当前最佳可重构性相一致;从而刻画了二元BDQCD的最优渐近性能。这一结果的一个重要含义是，即使有妥协的传感器，每个传感器和融合中心之间的1位链接足以实现渐近最优。为了适应多个后改变的假设，我们制定了多假设BDQCD问题，并再次调查在不同的带宽约束下的最佳一阶性能。首先，通过将我们的逆从二进制扩展到多假设BDQCD得到逆。两个家庭的停止规则，即同时$d$ -th报警和多拍$d$ -th报警，然后提出。在足够的链路带宽下，当$d$被设置为诚实传感器数目时，同时发生的第$d$次告警可以达到与推导出的逆界一致的渐近性能，因此，多假设BDQCD的渐近最优性能再次得到表征.此外，尽管仅对于某些特殊情况被示出为渐近最优，但是第多次发射$d$次警报比同时第$d$次警报更具有带宽效率和能量效率。在上述成功的基础上，描述了BDQCD的渐近最优性，相应的领导者-追随者Stackelberg游戏制定和它的解决方案被发现。
2019-09-06 cs.IT math.IT math.ST
Bandit Quickest Changepoint Detection
Indian Institute of Science（印度科学学院）；Boston University（波士顿大学）
针对传感器资源受限下的突变检测问题，提出bandit最快变点检测的在线感知方案，推导了信息论下界与方案的期望延迟界，证明低虚警率下的最优性，实验验证了方法有效性。
2023-06-13 cs.IT cs.LG math.IT
Non-Bayesian Quickest Detection with Stochastic Sample Right Constraints
在本文中，我们研究了传感器的最佳检测方案的设计和分析，这些传感器用于监测环境的变化，并由从环境中收集的能量供电。在这种类型的应用中，检测延迟至关重要。我们将此问题建模为具有随机能量约束的最快变化检测问题。特别是，由可再生能源供电的无线传感器从随机序列中获取观测值，其分布将在某个未知时间发生变化。这种变化意味着有意义的事件。传感器中的能量通过进行观察而消耗，并随机补充。如果电池中没有剩余能量，则传感器无法进行观察。我们的目标是设计一个功率分配方案和检测策略，以最大限度地减少最坏情况下的检测延迟，这是一个报警的时间和时间之间的差异时，发生变化。两种类型的平均游程长度（ARL）的约束，即算法级ARL约束和系统级ARL约束，被认为是。我们提出了一个低复杂度的计划，其中的能量分配规则是花费能量采取观察，只要电池不空和检测方案是累积和测试。我们表明，该计划是最优的配方与算法级ARL约束，是渐近最优的配方与系统级ARL约束。
2013-02-15 cs.IT math.IT
Consensus-based Distributed Quickest Detection of Attacks with Unknown Parameters
被认为是在一个分布式估计系统中的顺序攻击检测，其中每个传感器连续产生一个所需的确定性标量参数被加性噪声破坏的一位量化样本。攻击前和攻击后模型中的未知参数，即待估计的期望参数和被攻击传感器处注入的恶意数据，对设计计算高效的方案以使每个传感器仅通过使用与相邻传感器的本地通信来检测攻击的发生构成了重大挑战。考虑了广义累积和（GSTUUM）算法，该算法在GSTUUM检验统计量中用未知参数的最大似然估计代替未知参数。对于所考虑的问题，提供了一个充分条件，在此条件下，可以保证期望的虚警周期的GSTRUUM是大于任何给定的值。接下来，我们考虑GSTRUUM的分布式实现。首先，我们提出了一个替代的检验统计量，这是渐近等价的GSTUUM。然后基于所提出的替代测试统计量和运行的共识算法，我们提出了一个分布式近似GSTUUM算法，显着降低了过高的计算复杂性的集中式GSTUUM。数值结果表明，分布式近似GSTUUM算法可以提供一个性能，是集中式GSTUUM。
2018-02-08 cs.IT math.IT
Quickest Change Detection Using Mismatched CUSUM
University of Florida（佛罗里达大学）
本文针对最快变化检测问题，提出失配CUSUM形式的停止规则，基于隐马尔可夫模型推导线性函数类下的最优解，建立条件独立模型的渐近理论，数值验证了近似的准确性。
2026-08-21 cs.IT math.IT math.ST
Byzantine Fault Tolerant Distributed Quickest Change Detection
University of Michigan（密歇根大学）；Worcester Polytechnic Institute（伍斯特理工学院）
研究在连续和离散时间下，多传感器在存在拜占庭故障时的分布式最快变化检测问题，提出低复杂度分布式方案和集中化分组方案以恢复性能。
2014-12-29 cs.IT cs.SY eess.SY
Distributed Detection/Isolation Procedures for Quickest Event Detection in Large Extent Wireless Sensor Networks
研究了大范围无线传感器网络（$\wsn$）中的一个固定点事件的分布式检测问题，该事件只影响其附近传感器的观测值.事件发生在$\wsn$的覆盖区域（或感兴趣区域（$\ROI$））中的未知时间和随机位置。我们考虑一个一般的传感模型，其中事件在传感器节点的影响取决于事件和传感器节点之间的距离;特别是，在布尔传感模型中，在事件周围的给定半径的磁盘中的所有传感器同样受到影响。在\cite{nikiforov95change_isolation}、\cite{nikiforov03lower-bound-for-det-isolation}、\cite{tartakovsky08multi-decision}、{ \em}中报告的先前工作之后，将问题公式化为在以下约束下尽可能早地检测事件并将其定位到$\ROI$的子区域的问题：（$\tfa$）由$γ$下界，并且假分离的概率（$\pfi$）以$α$ }为上界，其中$γ$和$α$是目标性能要求。在这种情况下，我们提出了分布式程序的事件检测和隔离（即$\mx$，$\all$和$\hall$），基于本地融合的$\CUSUM$ s在传感器。对于这些程序，我们得到的最大平均检测/隔离延迟（$\add$），$\tfa$和$\pfi$上的界限，从而提供了一个上限$\add$为$\min\{γ,1/α\} \to \infty$。对于布尔传感模型，我们表明，我们…
2011-07-18 cs.IT cs.NI math.IT
Quickest Time Herding and Detection for Optimal Social Learning
本文考虑了理性代理（例如，网络中的传感器）之间的社会学习。我们考虑三种模式的社会学习的复杂性增加的顺序。在第一个模型中，基于其对噪声底层状态过程的私人观察，每个代理自私地优化其局部效用并广播其动作。该协议导致了羊群行为，代理最终选择相同的行动，而不管他们的观察。然后，我们制定了第二个更一般的模型，每个代理是仁慈的，并选择其传感器模式，以优化社会福利功能，以促进社会学习。使用格规划和随机订单，它表明，每个代理的最佳决策是由贝叶斯分布的空间上的切换曲线。然后，我们提出了第三个更一般的模型，社会学习发生，以实现最快的时间变化检测。几何和相位类型的变化时间分布被认为是。本文证明了最优决策的特征又是一条切换曲线。我们提出了一种估计这条切换曲线的随机逼近（自适应滤波）算法。最后，我们提出了一个不断变化的世界（马尔可夫目标）的社会学习模型的扩展，其中代理人在多次迭代中学习。利用Blackwell随机优势，给出了近视决策为最优决策的条件.我们还分析了目标动态对社会福利成本的影响。
2011-05-14 cs.IT math.IT math.OC
Estimating finite mixtures of semi-Markov chains: an application to the segmentation of temporal sensory data
在食品科学中，获得有关食物的时间感知的信息以创建新产品，修改现有产品或更普遍地理解感知机制是非常有趣的。感觉的时间优势（TDS）是一种测量时间感知的技术，包括在品尝过程中选择描述食品的顺序属性。这项工作介绍了新的统计模型的基础上有限的混合物的半马尔可夫链，以描述收集的数据与TDS协议，允许不同的时间感知同一产品内的人口。讨论了这类混合模型参数的可辨识性。逗留时间分布与伽马概率分布拟合，并且将惩罚添加到对数似然以确保期望最大化算法收敛到非退化解。信息准则用于确定混合组分的数目。然后，个人的定性轨迹聚类的帮助下，最大后验概率（MAP）的方法。仿真研究证实了所提出的估计过程的良好行为。该方法说明了一个例子，消费者对豪达奶酪的看法，并评估存在的几种行为方面的看法，这种产品。
2019-02-12 stat.AP stat.ME
Quickest Change Detection in Autoregressive Models
本文研究自回归模型中的快速变化检测，提出计算高效的Ergodic CuSum算法并证明其渐近最优，针对参数未知情况设计在线梯度上升CuSum算法，并给出虚警下界。
2023-10-13 cs.IT eess.SP math.IT
Bayesian Quickest Change Point Detection with Sampling Right Constraints
研究了带抽样权约束的贝叶斯最快变化检测问题。具体来说，存在一系列随机变量，其概率密度函数将在未知时间发生变化。目标是以使得平均检测延迟和虚警概率的线性组合最小化的方式检测这种变化。讨论了两类抽样权约束。第一个是有限采样权约束，其中观察者可以从该随机序列中最多获取$N$个观察值。在这种设置下，我们表明，成本函数可以写为一组迭代函数，可以解决马尔可夫最优停止理论。最佳停止规则是一个阈值规则。当虚警概率趋于零时，平均检测延迟的渐近上界被开发出来。这个上界表明，有限采样权问题的性能接近经典贝叶斯最快检测的几种情况下的实际利益。本文讨论的第二个约束是随机抽样权约束，其中抽样权通过观测值消耗并随机补充。如果没有剩余的采样权限，则观察者不能进行观察。我们描述的最优解，它有一个非常复杂的结构。对于实际应用，我们提出了一种低复杂度的算法，该算法的采样规则是只要观察者还有采样权就取观察值，检测方案是阈值规则。我们表明，这种低复杂度的计划是一阶渐近最优的虚警概率为零。
2014-07-15 cs.IT math.IT
Quickest Search over Multiple Sequences with Mixed Observation
本文讨论了序列寻找一个独立同分布（i.i.d.）考虑通过搜索多个序列从概率分布$f_1$中提取的序列，其中一些序列从$f_1$中提取，而其他序列从不同的分布$f_0$中提取。允许观察员每次进行一次观察。最近的研究表明，如果每个观测值来自一个序列，则累积和检验是最优的。在本文中，我们提出了一种新的方法，其中每个观察可以是来自多个序列的样本的线性组合。测试有两个阶段。在第一阶段，即扫描阶段，采用一对序列的线性组合，希望扫描通过不太可能由$f_1$生成的序列，并快速识别一对序列，使得它们中的至少一个极有可能由$f_1$生成。在第二阶段，即细化阶段，人们更仔细地检查从第一阶段识别的对，并挑选一个序列作为最终序列。在这种设置下的问题属于一类多停时问题。特别是，它是一个有序的两个级联马尔可夫停时问题。我们使用多停时理论的工具得到最优解。最优解具有相当复杂的结构。为了便于实现，提出了一种低复杂度的算法，在扫描阶段观测器采用累积和检验，在细化阶段观测器采用序贯概率比检验。当$f_{1}$发生的先验概率较小时，分析了这种低复杂度算法的性能。分析和数值仿真结果表明，当$f_{1}$稀少时，该搜索策略可以显著减少搜索时间。
2013-12-09 cs.IT math.IT
Sensing Capacity for Markov Random Fields
本文计算传感器网络的感知能力，传感器的范围有限，感知一个二维马尔可夫随机场，通过建模的传感操作作为一个编码器。传感器观测值在传感器之间是相关的，并且传感器网络在不同环境状态下的输出既不相同也不独立分布。使用随机编码参数，基于类型的理论，我们证明了一个下界的传感器网络的能力，其特征在于传感器网络区分环境与马尔可夫结构，在所需的精度。
2005-08-10 cs.IT math.IT
Optimal Sensor Design and Zero-Delay Source Coding for Continuous-Time Vector Gauss-Markov Processes
我们考虑的情况下，连续时间向量高斯-马尔可夫过程是通过一个矢量高斯信道（传感器）观察和估计的卡尔曼-布西滤波器。与标准滤波问题中的传感器模型是先验给定的不同，我们关注的是最优传感器设计，其中（i）源随机过程和再现（估计）过程之间的互信息最小化，以及（ii）最小均方估计误差满足给定的失真约束。我们表明，这样的传感器设计问题是听话的半定规划。零延迟源编码的连接也进行了讨论。
2017-09-10 cs.IT math.IT math.OC
Prediction and Power in Molecular Sensors: Uncertainty and Dissipation When Conditionally Markovian Channels Are Driven by Semi-Markov Environments
传感器通常至少有两个目的：预测其输入和最小化散热。然而，确定特定传感器是否被进化或设计为准确和有效是困难的。这部分是由于功能约束处于交叉目的，部分是因为量化即使是硅传感器的预测性能可能需要非常长的模拟。为了规避这些困难，我们开发的预测精度和热力学成本的广泛类条件马尔可夫传感器的单线隐半马尔可夫（记忆）环境输入的表达式。预测指标包括瞬时记忆和当前传感器状态与输入未来之间的互信息，而耗散指标包括功耗和非预测信息率。成功地推导出这些公式在很大程度上依赖于识别环境的因果状态，输入的最小足够的统计预测。利用这些公式，我们研究了最简单的非平凡的生物传感器模型-希尔分子，其特征在于同时结合的配体的数量，传感器的协同性。当能量奖励与总的可预测信息成正比时，优化总能量预算的最接近的协同性通常滞后地取决于环境的过去。通过这种方式，传感器获得了对环境波动的鲁棒性。鉴于希尔分子的简单性，这种滞后现象也可能在更复杂的预测传感器中发现。也就是说，仅局部优化预测和耗散的生化参数的适应性可以导致传感器“记住”过去的环境。
2017-07-13 cond-mat.stat-mech cs.IT math.IT
Optimal Distortion-Power Tradeoffs in Sensor Networks: Gauss-Markov Random Processes
通过研究信源-信道编码问题，研究了密集传感器网络的最优性能.传感器网络的总体目标是从一个潜在的随机过程中进行测量，编码并将这些测量样本在具有反馈的协作多址信道中传输到收集器节点，并在收集器节点处重建整个随机过程。我们提供的最小可实现的预期失真时，基本的随机过程是平稳和高斯的下限和上限。在随机过程也是马尔可夫的情况下，我们明确评估的下限和上限，并表明它们是相同的顺序为广泛的总和功率约束。因此，对于高斯-马尔可夫随机过程，在这些和功率约束下，我们确定了顺序最优的可扩展性方案，并将最小可实现的预期失真表示为和功率约束的函数。
2006-04-10 cs.IT math.IT
Large Deviations Analysis for the Detection of 2D Hidden Gauss-Markov Random Fields Using Sensor Networks
研究了传感器网络对隐二维高斯-马尔可夫随机场的检测问题。在条件自回归模型下，利用大偏差原理得到了满足固定水平约束的Neyman-Pearson检测器的误差指数。对于对称的一阶自回归模型，误差指数以SNR和边缘依赖因子（场相关性）的形式明确给出。作为相关强度的函数的误差指数的行为被视为根据SNR的值分成两个区域。在高信噪比下，不相关观测值使给定信噪比的误差指数最大化，而在低信噪比下存在非零的最佳相关性。基于误差指数，能量效率（定义为收集到的总信息的总能量所需的比率）的ad hoc传感器网络检测的两种传感器部署模型：无限区域模型和无限密度模型进行了检查。对于固定的传感器密度，随着面积增加，能量效率以速率O（面积λ {-1/2}）减小到零。另一方面，非零效率对于增加密度是可能的，这取决于作为链路长度的函数的物理相关性的行为。
2008-01-20 cs.IT math.IT
Which Sensor to Observe? Timely Tracking of a Joint Markov Source with Model Predictive Control
本文针对多传感器部分观测的联合马尔可夫源远程估计问题，提出基于信念MDP的两种模型预测控制方法（MPC-WTC和RL-MPC），以最小化错误信息年龄均值（MAoII）。
2025-01-22 cs.IT cs.NI cs.SY
High-Rate Quantization for the Neyman-Pearson Detection of Hidden Markov Processes
本文研究了隐马尔可夫过程的分散检测使用Neyman-Pearson检验。我们考虑一个由大量分布式传感器组成的网络。传感器的观测是待检测的马尔可夫过程的噪声快照。每个（真实）观测在被发送到做出最终决定的融合中心之前在log 2（N）比特上被量化。对于任何虚警水平，它示出的Neyman-Pearson测试的未命中概率收敛到零指数传感器的数量趋于无穷大。使用隐马尔可夫模型的最新结果提供的误差指数。为了获得作为量化规则的函数的误差指数的信息表达式，我们进一步研究了量化级别的数量N趋于无穷大的情况，遵循[Gupta & Hero，2003]中开发的方法。在这种情况下，我们提供的量化规则最大化的误差指数。我们的结果的说明中提供的情况下，在噪声中的高斯-马尔可夫信号的检测。在误差指数方面，所提出的量化规则显著优于[Gupta & Hero，2003]针对i.i.d.意见。
2010-03-15 cs.IT math.IT
When and Which Sensor to Observe? Timely Tracking of a Joint Markov Source
University of Maryland, College Park（马里兰大学帕克分校）；Bilkent University（比尔肯特大学）
针对远程估计联合马尔可夫过程的问题，提出基于信念的马尔可夫决策过程（MDP）模型，并采用两种模型预测控制（MPC）方法优化拉取策略，以最小化错误信息年龄与采样成本的加权和。
2026-06-29 cs.IT cs.NI eess.SP
Sensor Scheduling for Optimal Observability Using Estimation Entropy
我们认为传感器调度的最佳可观测性问题的部分可观测马尔可夫决策过程（POMDP）。该模型适合于马尔可夫过程由需要动态调整的单个传感器或由一组传感器观察的情况，所述一组传感器以最大化从过程中获取的信息的方式一次选择一个。与传统的POMDP问题类似，在这个模型中，控制动作是基于所有过去的测量;然而，在这里，这个动作不是为了控制状态过程，这是自治的，但它是为了影响该过程的测量。这POMDP是一个控制版本的隐马尔可夫过程，我们表明，其最佳可观测性问题可以制定为一个平均成本马尔可夫决策过程（MDP）调度问题。在该问题中，策略是基于测量历史选择传感器或调整测量设备的规则。给定一个策略，我们可以计算联合状态测量过程的估计熵，它反向度量该策略状态过程的可观测性。考虑到估计熵作为成本的政策，我们发现，寻找最优策略的问题是等价的平均成本MDP调度问题的成本函数是熵函数的信念空间。这允许应用策略迭代算法来找到实现最小估计熵的策略，从而获得最佳可观测性。
2006-09-30 cs.AI cs.IT math.IT
Fundamental limits of remote estimation of autoregressive Markov processes under communication constraints
McGill University（麦吉尔大学）
研究在通信约束下远程估计马尔可夫过程的基本极限，分析通信成本与估计精度的权衡，提出两种场景下的基本限制：无限时间折扣成本和平均成本设置。
2016-06-11 cs.IT cs.SY eess.SY
Remote State Estimation with Smart Sensors over Markov Fading Channels
针对LTI系统经$M$状态马尔可夫衰落信道的远程状态估计，提出基于估计周期的方法，得出均方稳定充要条件并验证其优于现有充分条件。
2021-06-07 cs.IT cs.SY eess.SP
Lower Bound of Networked Control with Multiple Sensors and One Controller And The Application to Tracking Gaussian-Markov Source
University of Texas at Austin（德克萨斯大学奥斯汀分校）；Purdue University（普渡大学）
研究多编码器单解码器网络控制系统的因果率失真函数这一长期未决问题，建立新的有向信息下界，证明线性编码器和解码器对优化下界的最优性，简化分析并给出相关半定规划公式。
2026-08-28 cs.IT cs.SY eess.SY
Resource-Constrained Semantic-Aware Remote Estimation with Overlapping Sensor Coverage
Linköping University（林雪平大学）
针对重叠传感器覆盖下的多源远程估计，提出约束马尔可夫决策过程模型，证明资源函数秩至多K，并给出基于拉格朗日对偶的求解方法，数值验证了策略随机化与预算交互。
2026-09-09 cs.IT math.IT
Stability Conditions for Remote State Estimation of Multiple Systems over Multiple Markov Fading Channels
针对多 LTI 系统经多条无线时变信道的远程状态估计，提出新的策略构造与分析框架，给出由系统参数和信道统计量刻画的稳定充要条件。
2022-08-20 cs.IT cs.SY eess.SY
Real-Time Reconstruction of Markov Sources over MPR Channels
Linköping University（林雪平大学）
该研究针对MPR信道上的二元马尔可夫源，提出通过重建/驱动误差评估通信性能的方法，将优化问题简化为有限一维搜索，量化独立随机化的损失，得出MPR能力需结合可靠并发接收才有效的结论。
2026-08-28 cs.IT cs.NI math.IT
Optimal Node Density for Two-Dimensional Sensor Arrays
研究了在二维的相关随机场中进行推理的自组网的最优节点密度问题。使用对称的一阶条件自回归高斯-马尔可夫随机场模型，大偏差的结果被用来表征从阵列获得的渐近每个节点的信息。这个结果，然后允许的节点密度的分析，最大化的信息下的能量约束，产生洞察信息，密度和能量之间的权衡。
2008-05-09 cs.IT math.IT
Age-driven Joint Sampling and Non-slot Based Scheduling for Industrial Internet of Things
本文针对工业物联网中时间敏感应用的数据新鲜度需求，联合设计采样与非时隙调度策略，通过拉格朗日方法转化马尔可夫决策过程求解单传感器优化问题，并提出多传感器低复杂度次优方案，显著降低最大时间平均信息年龄并平衡采样与服务率。
2022-05-09 cs.IT math.IT
Minimizing Age of Detection for a Markov Source over a Lossy Channel
本文提出新指标检测年龄（AoD）监测有损信道上DTMC源状态转换，构建CMDP并利用拉格朗日MDP和RVI算法优化采样频率，证明其比AoI策略估计误差更低。
2025-03-04 cs.IT eess.SP math.IT
Detecting random walks on graphs with heterogeneous sensors
我们考虑的问题，检测一个图上的随机游走，基于观察的图形节点。当被walk访问时，图中的每个节点都观察到一个均值升高的信号，我们假设不同节点之间的均值可能不同。在步行路径之外，以及在没有步行路径的情况下，节点仅测量噪声。假设内曼-皮尔逊设置，我们的目标是通过计算错误指数的概率错过，在虚警概率的约束下，检测性能的特征。由于精确计算的误差指数是已知的困难，相当于计算的李雅普诺夫指数，我们近似其值找到一个易于处理的下限。边界揭示了一个有趣的可检测性条件：步行是可检测的熵的步行是小于预期的信号噪声比的一半。我们通过将马尔可夫类型的概念扩展到高斯-马尔可夫类型来推导出边界。这些是具有给定数量的节点到节点转换计数和跨节点的相同平均信号值的状态观测对的序列，其根据随机游走访问每个节点的相应位置期间进行的测量来计算。下界有一个直观的解释：在所有高斯-马尔可夫类型中，在没有行走的情况下是渐近可行的，在行走的存在下，界找到最典型的一个。最后，我们通过一系列明智的问题重新表述，计算界减少到解决凸优化问题，这是一个结果本身。
2018-10-01 cs.IT math.IT physics.data-an
Stability Conditions for Remote State Estimation of Multiple Systems over Semi-Markov Fading Channels
针对共享无线时变信道中的多线性时不变系统远程状态估计，提出半马尔可夫信道模型，推导稳定性充要条件，并揭示CSI延迟、状态保持期及快/慢衰落对稳定性的影响。
2022-06-08 cs.IT cs.SY eess.SP
