Decentralized Sequential Hypothesis Testing using Asynchronous Communication
我们提出了一个测试的问题,分散序贯假设检验,这是渐近最优的。通过在每个传感器处选择合适的采样机制,传感器与融合中心之间的通信是异步的,并且限于1位数据。所提出的SPRT样测试原来是顺序2渐近最优的情况下,连续时间和连续路径信号,而在离散时间,这种强大的渐近最优性在适当的条件下保持。如果这些条件不成立,那么我们可以证明1阶最优性。仿真证实了感兴趣的测试的优异性能特征。
2009-08-28 math.ST stat.ME stat.TH
State-of-the-Art in Sequential Change-Point Detection
我们提供了一个概述的国家的最先进的顺序变点检测领域假设离散时间和已知的前和后变化分布。概述涵盖了基本最优化问题的所有主要公式,即贝叶斯,广义贝叶斯和极大极小。我们特别关注每个领域的最新进展。此外,我们链接在一起的广义贝叶斯问题与多周期性疾病检测在一个固定的制度时,发生的变化在一个遥远的时间范围。最后,我们用两个案例研究来说明工作领域的前沿。
2011-09-13 math.ST stat.TH
Sequential block bootstrap in a Hilbert space with application to change point analysis
研究了一种新的函数型数据结构变化检验方法。该方法以希尔伯特空间理论为基础,利用Bootstrap迭代法推导出临界值。因此,需要一个新的关于希尔伯特空间中块自助法的泛函中心极限定理.该测试也可用于检测随机向量的边缘分布的变化,并通过模拟研究进行补充。我们的方法适用于水文数据从德国。
2015-09-15 math.ST stat.TH
Sequential Change Point Detection with FDR Control in Reconfigurable Sensor Networks
本文研究可重构传感器网络中传感器可动态增减且存在依赖性的序贯变点检测问题,提出基于e值的检测程序,在均匀控制错误发现率的同时实现更低错误非发现率和更短检测延迟。
2025-04-09 stat.ME
Sequential change-point detection when unknown parameters are present in the pre-change distribution
在顺序变化点检测文献中,大多数研究指定了在给定的变化前分布$f_θ$下所需的虚警频率,并试图最小化每个可能的变化后分布$g_λ$的检测延迟。在本文中,一些实际的例子,我们首先考虑相反的问题,指定所需的检测延迟在一个给定的变化后的分布,并试图尽量减少误报的频率为每一个可能的变化前的分布$f_θ$。我们提出了渐近最优的单参数指数族的程序。接下来,我们开发了一个通用的理论变点的问题时,都变化前的分布$f_θ$和变化后的分布$g_λ$涉及未知参数。我们还将我们的方法应用于检测独立正常观测值均值变化的特殊情况。
2006-05-15 math.ST stat.TH
Two tests for sequential detection of a change-point in a nonlinear model
本文研究了基于残差的最小和和最小二乘估计的两种检验方法来实时检测非线性模型中的变点。第一个检验统计量提出了一种方法已经在文献中使用,但线性模型的扩展。在每次连续观察时,检验原假设,即相对于存在变化,模型中没有变化。在原假设下给出了检验统计量的渐近分布,并证明了当变量发生变化时,检验统计量依概率收敛于无穷大。这些结果将允许建立一个渐进的临界区域。其次,为了降低第一类错误概率,提出了自举临界值,并以类似的方式研究了一种改进的测试。利用Monte-Carlo方法,对应用广泛的非线性模型进行了模拟,研究了这两种统计检验的性质。
2013-02-27 math.ST stat.TH
Sequential Detection of Common Change in High-dimensional Data Stream
在得到$ARL_0$的精确近似后,我们首先考虑了多变量EWMA图的权参数的最优设计,使平稳平均延迟检测时间(SADDT)最小。在获得$ARL_0$和SADDT后,与移动平均(MA)、广义似然比检验(GLRT)、广义似然比检验(GLRT)和Shiryayev-Roberts(S-R)图进行了数值比较。为了检测稀疏信号的变化,提出了硬阈值和软阈值EWMA图。与其他图表,包括自适应技术的比较表明,EWMA程序应推荐其强大的性能和易于设计。
2022-06-23 math.ST stat.TH
Sequential Subspace Change-Point Detection
我们认为在线监测的多变量流数据的变化,其特征在于一个未知的子空间结构中表现出的协方差阵。特别地,我们考虑协方差结构的变化,从一个单位矩阵未知的尖峰协方差模型。我们假设变化后的分布是未知的,并提出了两个检测过程:最大特征值Shewhart图和子空间的检测过程。我们给出了最大本征值Shewhart图的平均运行长度(ARL)和预期检测延迟(EDD)的理论近似值,并提供了子空间-CUSUM过程参数调整的分析。所提出的方法的性能示出使用模拟和真实数据的人体姿态检测和地震事件检测。
2021-04-09 math.ST stat.TH
Compound Sequential Change-point Detection in Parallel Data Streams
我们考虑顺序变化点检测并行数据流,其中每个流有自己的变化点。一旦在数据流中检测到变化,该流将永久停用。目标是最大化变更前流的正常操作,同时在所有时间点控制活动流中变更后流的比例。以贝叶斯公式,我们开发了一个复合决策框架,这个问题。提出了一个程序,是一致的所有顺序的程序,控制预期比例的变更后的流在所有时间点之间的最佳。我们还研究了所提出的方法的渐近行为时,数据流的数量越来越大。数值例子来说明所提出的方法的使用和性能。
2021-07-14 math.ST stat.ME stat.TH
Order-2 Asymptotic Optimality of the Fully Distributed Sequential Hypothesis Test
本文分析了在无融合中心的传感器网络中,当I类和第二类错误率趋于零时,全分布式序贯假设检验过程的渐近性能。特别地,传感器网络由无向图定义,其中每个传感器可以随时间观察样本,访问来自相邻传感器的信息,并基于其自己的决策统计执行顺序测试。与大多数文献不同的是,在我们的框架中,采样过程和信息交换过程同时发生(或者至少在可比的时间尺度上),因此不能彼此解耦。考虑了两种消息传递方案,并在此基础上分别进行了分布式序贯概率比测试(DSPRT)。第一个方案的特点是散发原始样本。尽管基于样本传播的DSPRT在每个传感器处产生渐近最优性能,但由于原始样本与索引信息的交换,它会引起过多的传感器间通信开销。第二种方案采用了一致性算法,在传感器之间交换局部决策统计而不是原始样本,从而显着降低了通信要求相比,第一种方案。特别地,在每个传感器处的DSPRT的决策统计通过在每个消息传递步骤处的邻域中的决策统计的加权平均来更新。我们表明,在一定的正则条件下,基于一致性算法的DSPRT也产生了2阶渐近最优性能在所有传感器。
2016-06-14 cs.IT math.IT stat.AP
Sequential Change-point Detection for Compositional Time Series with Exogenous Variables
本文针对成分时间序列提出广义Beta AR(1)模型,可纳入外生变量,并基于极大似然估计提出参数化序贯变点检测方法,应用于Covid-19阳性率数据。
2025-09-09 math.ST stat.ME stat.TH
An Asymptotic Theory of Joint Sequential Changepoint Detection and Identification for General Stochastic Models
研究了一般随机模型的序列变点检测和识别/隔离问题,假设观测数据是相依的、非同分布的,变点的先验分布是任意的,变点后的假设是复合的.所开发的检测识别理论将Tartakovsky(2019)开发的变点检测理论推广到多个复合变化后假设的情况,此时不仅要尽快检测到变化,还要识别(或隔离)真正的变化后分布。我们提出了一个多假设的变化检测识别规则,并表明它是接近最优的,最小化时刻的延迟检测的误报概率和误判的概率为零。
2021-03-03 math.PR math.ST stat.TH
Sequential detection of low-rank changes using extreme eigenvalues
研究了信号协方差阵突变的检测问题。特别地,协方差从“白色”单位矩阵变为未知的尖峰或低秩矩阵。基于样本协方差阵的最大和最小特征值,提出了两种序贯变点检测方法。为了控制虚警率,我们提出了一个准确的理论近似的平均运行长度(ARL)和预期的检测延迟(EDD)的检测,利用极端的特征值分布从随机矩阵理论和捕获一个不可忽略的时间相关性的扫描统计序列由于滑动窗口的方法。真实数据的例子表明,我们的方法检测一个群体的行为变化的良好性能。
2017-06-15 math.ST stat.ML stat.TH
Poisson QMLE for change-point detection in general integer-valued time series models
我们一起考虑的回顾性和顺序变化点检测一般类的整数值时间序列。该过程的条件均值取决于参数$θ^*$,该参数可能随时间变化。我们提出的程序是基于泊松准最大似然估计的参数,更新的估计计算没有历史观测的顺序框架。对于回顾检测和序贯检测,在无变化的原假设下,检验统计量收敛于从标准布朗运动获得的一些分布,而在备选假设下发散到无穷大;也就是说,这些过程是一致的。文中给出了部分模拟结果和实际数据应用。
2020-07-27 math.ST stat.TH
Nearly second-order asymptotic optimality of sequential change-point detection with one-sample updates
Georgia Institute of Technology(佐治亚理工学院)
分布参数未知时的序列变点检测是统计学和机器学习中的一个基本问题。当参数未知时,我们考虑一组基于序贯似然比的检测过程,其中非预期估计量使用在线凸优化算法(如在线镜像下降)构造,它提供了一种更通用的方法来处理无法找到递归最大似然估计的复杂情况。当底层分布属于指数族并且估计量满足对数遗憾性质,我们证明了这种方法是近二阶渐近最优的。这意味着当阈值趋于无穷大时,算法的虚警率的上界(由平均游程长度测量)渐近地满足下界,直到对数-对数因子。我们的证明是通过建立顺序变点和在线凸优化之间的联系,并利用在线镜像下降算法的对数遗憾界属性。数值和实际数据的例子验证了我们的理论。
2017-12-04 cs.LG math.ST stat.TH
Optimal Parallel Sequential Change Detection under Generalized Performance Measures
本文考虑并行数据流中的变化点检测,这是分析大规模实时流数据时经常遇到的问题。每个流可能有自己的变化点,在那里它的数据具有分布变化。对于连续观察的数据,决策者需要声明每个时间点的流是否已经发生了变化。一旦声明流发生了变化,它将永久停用,以便不再收集其未来的数据。这是一个复合决策问题,因为决策者可能希望优化某些涉及所有流作为一个整体的复合性能指标。因此,对于不同的流,决策不是独立的。我们的贡献是三方面的。首先,我们提出了一个通用的框架,复合性能指标,其中包括在现有的作品中考虑的特殊情况下,并介绍了新的连接密切的单流顺序变化检测和大规模假设检验的性能指标。第二,数据驱动的决策程序在这个框架下开发。最后,最优性结果建立建议的决策程序。所提出的方法和理论进行了评估模拟研究和案例研究。
2022-06-16 math.ST stat.ME stat.TH
Change, dependence, and discovery: Celebrating the work of T.L. Lai
AGT StatConsult;University of Texas at Austin(德克萨斯大学奥斯汀分校);National Central University(中央大学);Stony Brook University(石溪大学)
本文回顾Tze Leung Lai在序贯分析中的开创性工作,涵盖序贯假设检验、变点检测及非线性更新理论,并总结其最优性结果与生物统计应用。
2025-10-26 math.ST stat.OT stat.TH
Open-end nonparametric sequential change-point detection based on the retrospective CUSUM statistic
在线监测的目的是,一旦收集到的观察结果中有重要证据表明基本数据生成机制发生了变化,就发出警报。这项工作是开放式的,非参数的程序,可以解释为统计检验。所提出的监测方案包括在每个新观测到达后计算所谓的回顾性统计量(或其微小变化)。提出合适的门限函数为所选的检测器后,渐近有效性的程序进行了调查的特殊情况下,监测的平均值的变化,无论是在平稳性和相关的替代品的原假设。为了在实际中进行序贯检验,采用了一种基于渐近回归模型的方法来估计相关极限分布的高分位数。Monte Carlo实验表明,良好的有限样本行为的建议的监测计划,并建议他们优于现有的竞争对手,只要变化不发生在一开始的监测。扩展到统计表现出的渐近平均行为进行了简要讨论。最后,推导出的顺序变点检测测试的应用程序简洁地说明了温度异常数据。
2020-07-20 math.ST stat.ME stat.TH
Sequential and Decentralized Estimation of Linear Regression Parameters in Wireless Sensor Networks
讨论了在集中和分散两种情况下线性回归系数向量的序贯估计问题。在序贯估计中,用于估计的观测数由观测样本决定,因此是随机的,而不是固定样本大小的估计。具体来说,在接收到新样本后,如果达到目标精度水平,我们将停止并使用迄今为止收集的样本进行估计;否则,我们将继续接收另一个样本。众所周知,寻找一个最佳的序贯估计,它最大限度地减少平均样本量为一个给定的目标精度水平,是一个棘手的问题,一般停止规则,取决于完整的观察历史。通过适当地限制搜索空间的停止规则,取决于一个特定的子集的完整的观察历史,我们得到的最佳序贯估计集中的情况下,通过最佳停止理论。然而,在这种情况下找到最佳停止规则需要{ \em二次}与待估计的参数的数量成比例的数值计算。对于具有严格的能量约束的分散设置,在另一个问题的制定是有条件的观测回归,我们首先推导出一个简单的最优方案,其计算复杂度是{ \em常数}的参数的数量。然后,根据这个简单的最佳方案,我们提出了一个分散的顺序估计,其计算复杂性和能量消耗的规模{ \em线性}的参数的数量。具体而言,在所提出的分散式方案中,通过不频繁地发送持续时间非常短的单个脉冲来实现接近最佳的平均停止时间性能。
2014-12-17 cs.IT math.IT math.OC
A likelihood ratio approach to sequential change point detection for a general class of parameters
在本文中,我们提出了一种新的方法,顺序监测的参数的$d$维时间序列,它可以估计的经验分布函数的近似线性泛函。我们考虑了一个封闭的方法,这是出于似然比检验原则,并比较新的方法与两个替代程序。我们还将自我规范化,使长期方差的估计是不必要的。我们证明了对于一个大类的测试问题,新的检测方案具有渐近水平$α$,是一致的。渐近理论的重要情况下,监测的变化的均值,方差和相关性。通过模拟研究表明,新的测试比目前可用的程序更好地执行这些problem.Finally的方法是说明了一个小数据的例子调查指数价格从互联网泡沫。
2018-11-22 math.ST stat.ME stat.TH
Sequential Multiple Structural Damage Detection and Localization: A Distributed Approach
作为现代城市系统的重要组成部分,土木结构的健康状况是城市系统可持续性的基础,需要持续监测。在结构健康监测(SHM)中,由于1)损伤事件需要以短延迟报告,2)多个损伤位置必须同时识别,3)大规模无线传感器网络(WSNs)计算复杂性难以解决,许多现有工作在顺序损伤诊断过程中的性能有限。针对这些缺陷,本文提出了一种新的损伤识别方法,该方法利用多传感器测量中提取的损伤敏感特征的时间序列和最优变点检测理论来确定损伤发生时刻和损伤位置个数。由于现有的变点检测方法需要集中传感器数据,这在许多应用中是不切实际的,我们使用概率图模型来制定无线传感器网络和目标结构,并提出了一种分布式算法的结构损伤识别。验证结果表明,在振动台实验和美国土木工程师协会基准结构的损伤识别具有较高的精度。此外,我们证明了检测延迟显着减少,通过利用多个传感器的数据。
2018-12-15 cs.DC stat.AP
Decentralized Sequential Composite Hypothesis Test Based on One-Bit Communication
本文研究多传感器序贯复合假设检验问题。传感器并行观察随机样本,并与融合中心通信,融合中心根据传感器输入做出全局决策。一方面,在集中式的情况下,本地样本被精确地传输到融合中心,广义序贯似然比检验(GSPRT)被证明是渐近最优的预期样本量的错误率趋于零。另一方面,对于功率和带宽资源有限的系统,仅向融合中心发送本地样本摘要(我们特别关注一位通信协议)的分散式解决方案非常重要。为此,我们首先考虑一个分散的计划,传感器发送他们的一位量化统计每隔一段固定的时间到融合中心。我们表明,这样一个均匀的采样和量化方案是严格的次优和它的次优可以量化的量化统计分布的库尔贝克-莱布勒散度在这两个假设。然后,我们提出了一个分散的GSPRT基于电平触发采样。也就是说,每个传感器重复运行自己的GSPRT,并异步地向融合中心报告其本地决策。我们表明,该计划是渐近最优的局部阈值和全局阈值以不同的速度增长大。最后,研究了两个特定的模型及其相关应用,以比较集中式和分散式方法。数值结果表明,所提出的电平触发的采样为基础的分散方案与集中式方案密切相关,大大降低了通信开销,并显着优于均匀采样和量化为基础的分散方案。
2015-05-21 cs.IT math.IT stat.AP
Post-detection inference for sequential changepoint localization
Massachusetts Institute of Technology(麻省理工学院);Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种通用框架,用于在序列变化点检测后构建置信集,不依赖特定假设,理论上有保证,且在实践中应用广泛。
2026-09-26 cs.AI cs.LG stat.ME
Sequential Changepoint Detection in Neural Networks with Checkpoints
DeepMind(深度思维)
我们介绍了一个在线变点检测和同步模型学习的框架,该框架适用于高度参数化的模型,如深度神经网络。它基于通过顺序执行广义似然比检验来检测时间上的变点,该检验仅需要简单预测得分函数的评估。该过程使用检查点,由实际模型参数的早期版本组成,允许通过对未来数据进行预测来检测分布变化。我们定义了一个算法,在序贯测试过程中的第一类错误的界限。我们证明了我们的方法在具有未知任务变点的具有挑战性的持续学习应用程序中的效率,并且与在线贝叶斯变点检测相比,表现出更好的性能。
2020-10-06 cs.AI cs.LG stat.CO
Nonparametric Sequential Change-point Detection on High Order Compositional Time Series Models with Exogenous Variables
本文研究带外生变量的高阶成分时间序列模型,提出一种非参数序贯变点检测方法,证明了其渐近性质,并成功应用于汽车碰撞率数据的变点检测。
2025-03-04 stat.ME
Optimal Sub-sampling to Boost Power of Kernel Sequential Change-point Detection
我们提出了一种新的方案,以提高检测能力的内核最大均值差异为基础的顺序变点检测程序。我们所提出的方案的特点是在检测过程之前对历史数据进行最佳子采样,以解决从巨大的历史数据中随机子采样所引起的功率损失。我们将我们提出的计划扫描$B$和内核累积和(Kernel Cumulative Sum,KCUM)程序,并从大量的数值实验中观察到改进的性能。
2023-01-14 stat.ME stat.ML
Sequential change-point detection based on nearest neighbors
我们提出了一个新的框架检测在线,连续数据分析中的变点。该方法利用最近邻信息,可以应用于多变量观测序列或非欧几里德数据对象,如网络数据。不同的停止规则进行了探讨,并建议一个特定的规则,由于其理想的属性。一个准确的解析近似的平均运行长度推导出推荐的规则,使其成为一个简单的现成的方法,真正的多变量/对象顺序数据监控应用程序。仿真结果表明,新方法具有更好的性能比基于似然的高维数据的方法。通过一个真实的数据集在检测全球结构变化的社交网络的新方法说明。
2018-04-28 stat.ME
Asymptotic Optimality Theory For Decentralized Sequential Multihypothesis Testing Problems
在分布式传感器网络系统的背景下,顺序测试$M \ge 3$假设的贝叶斯公式进行了研究。在这样的系统中,本地传感器观察原始观测值,并将量化的传感器消息发送到融合中心,融合中心在停止观测时做出最终决定。渐近最优分散序贯检验是从一类“两阶段”测试,允许传感器网络系统作出初步决定,在第一阶段,然后相应地优化每个本地传感器量化器在第二阶段。它示出,在每个本地传感器在第二阶段的最佳本地量化器可以被定义为一个最大最小量化器,它原来是一个随机化的最多$M-1$明确的似然量化器(ULQ)。我们首先详细介绍了我们的结果与一个单一的传感器和二进制传感器的消息系统,然后扩展到更一般的情况下,涉及任何有限的字母表传感器的消息,多个传感器,或复合假设。
2010-11-01 math.ST stat.TH
Data-Adaptive Symmetric CUSUM for Sequential Change Detection
在流设置中顺序地检测变化点,特别是当信号的均值和方差都可以改变时,通常是一项具有挑战性的任务。在这种情况下,一个关键的困难往往涉及到设置一个适当的检测阈值,这对于许多标准的变化统计可能需要根据变化前和变化后的分布进行调整。当信号在多个分布之间切换时,这在顺序变化检测设置中提出了挑战。例如,考虑其中变化点由信号的均值和方差的增加/减少指示的信号。在这种情况下,我们希望能够将我们的变化统计量与一个固定的阈值进行比较,该阈值与均值和方差的增加或减少是对称的。不幸的是,使用对数似然比的变化点检测方案,例如,DSPUM和GLR,对变化反应迅速,但是当信号的均值和方差都变化时,它们是不对称的。这使得难以设置单个阈值以在流设置中顺序地检测多个变化点。我们提出了一个修改后的版本,我们称之为数据自适应对称的数据库(DAS-数据库)。DAS-MANUUM变化点检测过程对于分布之间的变化是对称的,使得它适合于设置单个阈值以在流设置中顺序地检测多个变化点。我们提供的结果,涉及到预期的检测延迟和平均运行长度为我们提出的程序。大量的模拟被用来验证这些结果。在真实数据上的实验进一步显示了使用DAS-DASUM在DASUM和GLR上的实用性。
2022-10-31 stat.ME
Nonparametric sequential change-point detection for multivariate time series based on empirical distribution functions
序贯变点检测的目的是当被监测的观测值的某些概率属性发生变化时发出警报。这项工作是关注的非参数,闭端检验程序的基础上的经验分布函数,旨在特别敏感的变化,在当代的多元时间序列分布的差异。建议的检测器是适应的统计数据中使用的后验(离线)变点测试,并涉及加权允许给予更多的重要性,最近的观察。由此产生的顺序变化点检测程序进行比较的检测器,通过估计的阈值函数,使假警报的概率保持近似恒定的监测期间。一个通用的结果的渐近有效性,这样一种方法估计的阈值函数的陈述。作为一个推论,渐进有效性的研究序贯检验的基础上,经验分布函数证明了这些进行时,使用一个依赖的乘数引导多变量时间序列。大规模的蒙特卡罗实验表明,所得到的程序具有良好的有限样本性质。衍生的序贯检验的应用说明了金融数据。
2020-10-25 stat.ME
Robust Sequential Change-Point Detection by Convex Optimization
我们解决了计算的挑战,找到强大的顺序变点检测程序时,前和后的变化分布不完全指定。早期的工作[veeravalli 1994]和[Unnikrishnan 2011]建立了鲁棒程序的一般条件,其中包括找到一对最不利的分布(LFD)。然而,在多维设置中,很难通过计算找到这样的LFD。我们提出了一种基于凸优化的方法,解决了这个问题时,分布是高斯未知参数从预先指定的不确定性集。我们还建立了我们的鲁棒程序的理论性质,数值例子表明其良好的性能。
2017-05-10 stat.ME
Decentralized Multihypothesis Sequential Detection
本文讨论多假设的分散序贯检验。在本地存储有限的传感器网络系统中,原始观测值在本地传感器上进行观测,并量化为二进制传感器信息,发送到融合中心,由融合中心做出最终决策。假设原始传感器观测值服从一组M ≥ 2个指定分布,融合中心必须利用量化后的传感器信息来判断哪一个是真实分布。渐近贝叶斯检验提供了分散的多假设顺序检测结合现有的三种方法:串联量化器,明确的似然量化器,随机量化器。
2010-04-09 math.ST stat.TH
Sequential Change Detection in the Presence of Unknown Parameters
通常需要检测随机变量序列中的变点。在这个问题的最困难的设置中,变化检测必须顺序执行,随着时间的推移不断接收新的观察结果。此外,改变前和改变后分布两者的参数可以是未知的。在Hawkins和Zamba(2005)最近的一篇论文中,在假设观测值服从高斯分布的情况下,引入了序贯广义似然比检验来检测这种情况下的变化。然而,我们表明,渐近近似使用的检验统计量导致它是保守的,即使有大量的观察。我们提出了一个改进的程序,这是更有效的,在这个意义上的检测变化更快,在所有情况下。我们还表明,类似的问题出现在其他参数变化检测的情况下,我们说明了引入一种新的监测程序的序列的指数分布随机变量,这是一个重要的话题,在故障时间建模。
2013-09-20 stat.ME
Page's Sequential Procedure for Change-Point Detection in Time Series Regression
在各种不同的设置累积和(Cumulative Sum)程序已被应用于顺序检测随机模型的参数中的结构突变。然而,它们的表现在很大程度上取决于变化的时间,在早期变化的情况下最好。对于后来的变化,他们的有限样本行为是相当值得怀疑的。因此,我们提出了修改后的CRACUUM程序检测的突然变化的回归参数的多个时间序列回归模型,表现出更高的稳定性,相对于普通的CRACUUM程序的变化时间。给出了检验统计量的渐近分布和程序的一致性。在模拟研究中,它表明,所提出的程序表现良好,在有限的样本。最后,该程序适用于一组资本资产定价数据相关的Fama法国扩展的资本资产定价模型。
2013-08-06 stat.ME
Asynchronous Multi-Sensor Change-Point Detection for Seismic Tremors
我们考虑异步多传感器的顺序变点检测,其中每个传感器在不同的时间观察信号(由于变点)。我们提出了一个异步子空间的基础上联合估计未知的信号波形和传感器之间的未知的相对延迟的方法。使用估计的延迟,我们可以对齐信号,并使用子空间来组合多个传感器观测。我们推导出所提出的过程的最佳漂移参数,并表征预期的检测延迟,平均运行长度(虚警),和随时间变化的信号的能量之间的关系。我们使用模拟和真实数据证明了所提出的方法的良好性能。我们还表明,该方法优于众所周知的“一杆程序”在检测微弱和异步信号。
2019-01-24 eess.SP stat.AP
A communication-efficient, online changepoint detection method for monitoring distributed sensor networks
针对分布式传感器网络需低通信检测变化的问题,提出基于双阈值似然比检验的在线方法,并证明其渐近性质,可在大幅降低传输成本时达到接近无通信约束的性能。
2024-04-09 stat.ME
Sequential change-point detection for mutually exciting point processes over networks
Georgia Institute of Technology(佐治亚理工学院);Duke University(杜克大学)
本文提出了一种新的连续检测自激和互激过程变点的方法。使用离散事件数据的霍克斯网络。霍克斯网络已经成为统计学和机器学习的流行模型,因为它们能够对不规则观测数据进行建模,其中事件之间的时间携带大量信息。在霍克斯网络中检测突变的问题来自于各种应用,包括神经元成像,传感器网络和社交网络监控。尽管如此,还没有一个计算和内存有效的在线算法来检测这样的变化,从顺序数据。我们提出了一个有效的在线递归实现的Hawkes过程,既分散和内存效率,并建立了这个新的CRACUUM过程的理论性质的CRACUUM统计。然后,我们表明,建议的CRAMUM方法实现了更好的性能比现有的方法,包括Shewhart程序计数数据的基础上,广义似然比(GLR)在现有的文献中,和标准得分统计。我们证明了这一点,通过一个模拟的例子和应用程序的人口代码变化检测神经网络。
2022-03-04 cs.LG stat.ML
Sequential Change-point Detection for Binomial Time Series
本文提出广义二项AR(1)模型及其序贯变点检测方法,用于实时监测二项时间序列,并在肺炎流感数据中成功识别COVID-19相关变点。
2025-09-07 stat.ME
Sketching for Sequential Change-Point Detection
Georgia Institute of Technology(佐治亚理工学院);University of Oxford(牛津大学);Rensselaer Polytechnic Institute(伦斯勒理工学院)
我们研究了基于线性草图的高维信号向量广义似然比(GLR)统计的顺序变点检测程序。GLR统计允许未知的变更后平均值,代表异常或新颖性。我们考虑固定和随时间变化的预测,推导出理论近似的两个基本性能指标:平均运行长度(ARL)和预期的检测延迟(EDD),这些近似值被证明是高度准确的数值模拟。我们进一步表征的相对性能测量的草图过程相比,没有草图,并表明,可以有一点性能损失时,信号强度是足够大的,足够数量的草图被使用。最后,我们展示了良好的性能,使用模拟和真实数据的例子,在电力网络中的太阳耀斑检测和故障检测的草图程序。
2018-04-30 cs.LG stat.ML
Sequential Change Point Detection via Denoising Score Matching
Carnegie Mellon University(卡内基梅隆大学);University of Minnesota(明尼苏达大学);Georgia Institute of Technology(佐治亚理工学院)
本文提出一种基于去噪分数匹配的CUSUM变点检测方法,通过估计数据分布分数函数来检测分布变化,理论分析和实验证明其在高维复杂数据中有效。
2025-01-22 cs.LG stat.ML
Sequential Gradient Descent and Quasi-Newton's Method for Change-Point Analysis
Texas A&M University(得克萨斯农工大学)
检测变点的一种常见方法是在变点的可能数量和位置上最小化成本函数。该框架包括几个完善的程序,如惩罚的可能性和最小描述长度。这种方法需要在数据集的不同段上重复地找到成本值,当(i)数据序列很长并且(ii)获得成本值涉及解决非平凡优化问题时,这可能是耗时的。本文介绍了一种新的顺序方法(SE),可以耦合梯度下降(SeGD)和拟牛顿法(SeN),以有效地找到成本值。其核心思想是使用先前步骤中的信息更新成本值,而无需重新优化目标函数。将该方法应用于广义线性模型和惩罚回归的变点检测。数值研究表明,新的方法可以比修剪精确线性时间(PELT)方法快几个数量级,而不牺牲估计精度。
2022-10-21 cs.LG stat.ML
Sequential Specification Tests to Choose a Model: A Change-Point Approach
针对候选模型序列的最优设定选择问题,提出基于变点思想的序贯设定检验p值分布估计方法,无需调参且对异常p值稳健,经模拟验证并应用于带宽和滞后阶数选择场景。
2022-11-22 stat.AP stat.ME
Sequential Change Point Detection in High-dimensional Vector Auto-regressive Models
本研究针对高维向量自回归模型转移矩阵的实时变点检测问题,提出基于正则化估计和检验统计量的序贯检测算法,证明其渐近性质并通过仿真及金融、脑电实际应用验证有效性。
2024-12-13 stat.ME
Partially-Observable Sequential Change-Point Detection for Autocorrelated Data via Upper Confidence Region
Tsinghua University(清华大学);University of Florida(佛罗里达大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
针对资源受限下部分可观测的多元自相关数据序贯变点检测问题,本文提出AUCRSS方案,结合状态空间模型、部分可观测卡尔曼滤波、广义似然比检验与基于上置信区域的自适应采样策略,并通过理论分析和数值实验验证其有效性。
2024-03-30 cs.LG stat.ML
Sequential Control of False Positives in Online Change Point Detection
University of Pennsylvania(宾夕法尼亚大学)
研究在线变点检测中误报控制问题,提出顺序族错误率及基于模拟的校准程序来估计监测阈值,通过模拟研究和实例验证该方法能有效控制误报,优于常用替代方法。
2026-07-20 stat.ME
Sequential (Quickest) Change Detection: Classical Results and New Directions
随机系统中变化的在线检测,又称序贯变化检测或最快变化检测,是统计学、信号处理和信息论中的一个重要研究课题,有着广泛的应用。本调查从顺序变化检测的基础知识开始,然后转移到顺序变化检测理论和方法的概括和扩展。我们还讨论了一些新的方面,出现在连续变化检测与其他领域的交叉点,随着现代应用程序的选择和开放问题的意见。
2021-04-09 math.ST stat.TH
Efficient Byzantine Sequential Change Detection
在多传感器顺序变化检测问题中,在由多个传感器监视的环境中发生中断。这种中断会导致未知传感器子集的观测值发生变化。在拜占庭版本的这个问题,这是这项工作的重点,它进一步假设假设的变点模型可能会被误指定为一个未知的传感器子集。然后,问题是快速可靠地检测变化,对于任何可能的受影响传感器子集,即使错误指定的传感器被对手控制。给定一个用户指定的上界妥协的传感器的数量,我们提出并研究了三个家庭的顺序变化检测规则这个问题。这些都是设计和评估下的Lorden的标准,其中有条件的预期检测延迟和预期时间误报计算在最坏的情况下,受损的传感器的推广。这些程序的一阶渐近性能的特点是最坏情况下的虚警率为0。从这些理论结果的见解证实了模拟研究。
2017-08-24 cs.IT math.IT math.ST
Bandwidth and Energy Efficient Decentralized Sequential Change Detection
分散的顺序变化检测的问题被认为是,在一个区域中发生的突然变化由多个传感器监测的传感器将其数据传输到融合中心,受到带宽和能量的限制,和融合中心负责检测的变化尽快。提出了一种新的顺序检测规则,要求在随机时间从传感器的通信和传输的低比特的消息,融合中心在并行运行的一个并行测试。该方案的二阶渐近最优性建立在离散和连续时间。具体而言,它表明,造成的性能损失(相对于使用完整的传感器观测的最佳检测规则)是渐近有界的误报率为0,任何固定的通信速率。当来自传感器的通信速率渐近低时,所提出的方案保持一阶渐近最优。最后,仿真实验说明了它的效率和优越性,在一个分散的检测规则,依赖于在确定性的时间通信。
2013-11-11 math.PR math.ST stat.ME
Decentralized Two-Sided Sequential Tests for A Normal Mean
本文讨论了正态均值$μ$的双侧分散序贯检验。假设在具有有限本地存储器的单传感器网络系统中,i.i.d.在本地传感器处观察到正常的原始观测,并将其量化为发送到融合中心的二进制消息,融合中心在原假设PDMATHAMN和备择假设$H_1: μ= \pm 1.$之间做出最终决定。我们提出了使用串联量化器(或等效地,单次反馈)的思想的分散式顺序测试。令人惊讶的是,我们提出的测试只使用形式$I(X_{n} \ge λ),$的量化器,但它被证明是渐近贝叶斯。此外,通过采用不变性的原则,我们还研究了分散不变测试的形式$I(|X_{n}| > λ),$的静态量化器,并表明,$λ= 0.5$只会导致一个次优分散不变序列测试。数值模拟进行支持我们的论点。
2009-01-09 math.ST stat.TH
Estimation of common change point and isolation of changed panels after sequential detection
常见变化的快速检测在多流数据的顺序监测中至关重要,其中常见变化被称为仅发生在一部分面板中的变化。在一个共同的变化,通过使用一个组合的CANUM-SR过程检测后,我们首先研究的联合分布的值的CANUM-SR过程和估计的延迟检测时间不变的面板。本文提出了一种利用离散过程的渐近指数性质的BH方法来分离控制在FDR上的变化面元。然后基于隔离的改变的面板估计共同改变点。仿真结果表明,该方法还可以通过适当选择FDR来控制FNR。
2019-07-03 math.ST stat.TH
Optimal Sequential Tests for Detection of Changes under Finite measure space for Finite Sequences of Networks
本文研究网络的有限序列的变点问题。为了避免在指数随机图模型和马尔可夫网络中计算归一化系数的困难,我们构造了一个具有测度比统计量的有限测度空间。提出了一种新的检测时延性能度量方法,用于检测网络分布的变化。并在此性能测度下提出了一种最优序贯检验。最佳序贯检验的良好性能的数值说明ERGM和Erdos-Rényi网络序列。
2021-01-17 math.ST stat.TH
Sequential Change Detection by Optimal Weighted $\ell_2$ Divergence
我们提出了一个新的非参数统计,称为加权$\ell_2$分歧,基于经验分布的顺序变化检测。我们首先构建加权的$\ell_2$分歧作为一个基本的构建块,两个样本的测试和变化检测。所提出的统计量被证明在离线设置中达到最佳的样本复杂度。然后,我们研究了顺序变化检测使用加权$\ell_2$分歧和表征的基本性能指标,包括平均游程长度(ARL)和预期的检测延迟(EDD)。我们还提出了实用的算法,以找到最佳的投影来处理高维数据和最佳的权重,这是至关重要的快速检测,因为在这样的设置中,没有太多的变化后的样本。仿真结果和实际数据的例子验证了所提出的方法的良好性能。
2021-02-24 math.ST stat.TH
Sequential change point tests based on U-statistics
我们提出了一个一般框架的序贯检验程序的基础上$U$ -统计,其中包含作为一个例子的序贯检验的基础上的差异,平均值,但也包括一个强大的序贯Wilcoxon变点过程。在这个框架内,我们考虑几个监测计划,考虑到不同的意见,在给定的时间点作出决定。与最初提出的计划,考虑到所有观察的监测期间,我们还考虑了修改后的移动和版本,以及一个页面监控计划的版本。后者对于早期的变化几乎同样好,而对于后期的变化则是有利的。对于所有建议的程序,我们提供的极限分布下的原假设,产生的阈值来控制渐近I型错误。此外,我们表明,所提出的测试有渐近功率1。在模拟研究中,我们通过其经验的大小,功率和检测延迟,这是进一步说明了通过温度数据集的顺序程序的性能进行比较。
2019-12-18 math.ST stat.TH
Sequential change detection revisited
在顺序变化检测中,现有的性能度量在处理变化时间的方式上有很大的不同。通过将此量建模为随机时间,我们引入了一个通用框架,能够捕获和更好地理解最知名的标准,并提出了新的标准。对于一个特定的新的标准,构成了一个扩展Lorden的性能指标,我们提供了最佳的结构,用于检测变化的恒定漂移的布朗运动和相应的最佳性能的公式。
2008-04-04 math.ST stat.TH