Sequential Controlled Sensing for Composite Multihypothesis Testing
研究了观测值有控感知的多假设检验问题。假设在每个对照下收集的观察值的分布遵循单参数指数族分布。我们的目标是设计一个策略，以最小的期望延迟找到真正的假设，同时确保错误的概率低于给定的约束。决策者可以通过智能地选择每个时隙的观测值采集控制来控制延迟。我们得出一个政策，满足给定的约束的错误概率。我们还表明，该政策是渐近最优的意义上说，它渐近地实现了信息理论的下界的预期延迟。
2019-10-24 cs.LG math.ST stat.ML
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
Asymptotically Optimal Sequential Multiple Testing with Asynchronous Decisions
针对独立序贯数据流的异步多重检验问题，提出一种在任意信号数先验界和弱分布假设下渐近最小化各数据流期望决策时间的新程序，并量化同步/去中心化限制的代价。
2023-04-19 stat.ME
Asymptotically Optimal Sequential Confidence Interval for the Gini Index Under Complex Household Survey Design with Sub-Stratification
Department of Mathematics, Karwar, 342037, India（卡瓦尔数学系）；School of Management and Entrepreneurship, Karwar, 342037, India（卡瓦尔管理与创业学院）
本文提出两种方法，通过在复杂调查设计下实现Gini指数估计量的渐进最优性，结合模拟和实证分析验证其有效性。
2026-02-25 stat.ME
Extending Subsampling to Sequential Stopping
Stanford University（斯坦福大学）
本文针对固定宽度序贯停止机制在无穷方差或长程依赖场景下失效的问题，构建统一框架刻画停止时间与自归一化估计量的渐近行为，提出序贯子抽样过程，在两类场景下得到渐近有效的序贯置信区间并完成验证。
2026-09-02 math.ST stat.ME stat.TH
On asymptotic normality in estimation after a group sequential trial
证明了在许多实际情况下，当最大观测数增加时，组序贯试验后的普通样本均值渐近正态。我们得出，它往往是安全的，使用朴素的置信区间的平均值的收集的意见，根据普通的样本均值。我们的理论研究结果证实了模拟研究。
2018-05-25 math.ST stat.TH
Multichannel Sequential Detection- Part I: Non-i.i.d. Data
我们考虑的问题，顺序信号检测在多通道系统中的信号的数量和位置是先验未知的。我们假设每个通道中的数据是顺序观察的，并且遵循一般的非独立同分布。随机模型在信道中局部对数似然比过程r-完全收敛于有限正数的假设下，建立了广义序贯似然比检验和基于混合的序贯似然比检验的渐近最优性.具体来说，我们表明，这两个测试最小化的停时分布的第一个r时刻渐近的虚警和漏检的概率接近零。此外，我们还证明了当局部对数似然比过程具有独立的增量并且简单地服从强大数律时，这两种检验都渐近地最小化停时分布的所有矩。这扩展了先前已知的i.i.d.的情况下的结果。当只有一个通道受到影响时，观察。我们用几个实际的例子来说明一般的检测理论，包括高斯隐马尔可夫模型中信号的检测，未知强度的高斯白噪声，以及一阶自回归的相关系数的测试。最后，我们说明了这两个序贯检验的可行性时，假设一个上限和一个下界的信号的数量，并比较其非渐近性能使用模拟研究。
2016-01-13 math.PR math.ST stat.ME
Sequential Estimation Methods from Inclusion Principle
Southern University and A&M College（南方大学及农工学院）
本文基于包含原理提出了新的序贯估计方法。其主要思想是将估计问题转化为构造序列随机区间，并使用置信度序列来控制相关的覆盖概率。与现有的渐进序贯方法相比，我们的估计过程严格保证了预先指定的置信水平。
2012-08-05 cs.LG math.PR math.ST
Modern Sequential Analysis and its Applications to Computerized Adaptive Testing
本文研究序贯广义似然比检验在心理测量与计算机化自适应测试中的应用，扩展其渐近最优性理论，并提出性能显著更优的自适应掌握测试设计。
2011-06-13 math.ST stat.ME stat.TH
Unstructured sequential testing in sensor networks
我们认为，在传感器网络中快速检测信号的传感器的子集时，其中可能存在的信号是完全未知的问题。我们制定这个问题作为一个序列的假设检验问题，一个简单的空（信号是无处不在）和一个复合替代（信号是存在的地方）。我们引入了一类新的可扩展的序贯检验，对于任何子集的受影响的传感器，最小化预期的样本量的决定渐近，即作为错误概率为0。此外，我们提出了序贯检验，需要最小的传输活动从传感器到融合中心，同时保持这种渐近最优属性。
2013-11-11 math.ST stat.TH
A New Framework of Multistage Estimation
Louisiana State University（路易斯安那州立大学）；Southern University and A&M College（南方大学及农工学院）
本文建立了多阶段参数估计的统一框架。我们证明了各种各样的统计问题，如固定样本大小的区间估计，点估计差错控制，有界宽度置信区间，区间估计以下的假设检验，置信序列的建设，可以投到一般的框架，建设顺序随机区间的覆盖概率。我们已经开发出精确的方法，在多级抽样的背景下，这样的顺序随机区间的建设。特别地，我们建立了包含原理和覆盖调整技术来控制和调整序列随机区间的覆盖概率。我们已经得到了具体的抽样计划，这是前所未有的有效的抽样工作相比，现有的程序。
2012-12-05 cs.LG math.PR math.ST
Spectrum Sensing using Distributed Sequential Detection via Noisy Reporting MAC
本文研究了认知无线电系统中的协作频谱感知算法，该算法的主要目标是减少检测样本的数量，以实现可靠的检测。我们开发了一个能量有效的检测器与低检测延迟使用分散序贯假设检验。我们的算法在认知无线电采用异步传输方案，考虑到在融合中心的噪声。我们从分布式算法DualSPRT开始，其中认知无线电顺序收集观测，使用SPRT（顺序概率比测试）进行本地决策，并将其发送到融合中心。融合中心顺序地处理这些接收到的本地决策损坏的噪声，使用SPRT的过程，以达到最终的决定。从理论上分析了其误码率和平均检测时延。我们还渐近研究其性能。即使DualSPRT执行渐近好，在融合节点的修改提供了更多的控制算法参数的设计，然后在认知无线电系统中的错误的通常的操作概率更好地执行。并对改进算法进行了理论分析。稍后，我们修改这些算法来处理SNR和衰落的不确定性。
2013-08-28 cs.IT math.IT stat.AP
Near-Optimal Non-Parametric Sequential Tests and Confidence Sequences with Possibly Dependent Observations
本文证明延迟启动正态混合序贯概率比检验在一般非参数甚至相关观测下具有渐近正确的I类错误和近最优期望拒绝时间，并可用于估计方程参数的序贯推断与Netflix A/B测试。
2024-03-11 econ.EM math.ST stat.ME
Random Norming Aids Analysis of Non-linear Regression Models with Sequential Informative Dose Selection
两阶段自适应优化设计是提高临床试验效率的一个有吸引力的选择。在这些设计中，基于中期数据，选择局部最佳剂量用于进一步探索，这引起来自两个阶段的数据之间的依赖性。在一个试验性研究中，当第一阶段样本容量固定，第二阶段样本量较大时，在具有独立正态误差的非线性回归模型下使用极大似然估计时，由于相关性，费舍尔信息不能使估计量渐近地充分标准化。在这种情况下，我们提出了三种替代的随机信息措施，并表明它们提供更好的归一化的MLE渐近。在模拟研究中研究了随机信息测度的性能，结果表明，当样本量较小时，观测信息的性能最好。
2019-05-23 stat.AP stat.ME
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
Sequential multiple testing with multiple hypotheses and prior information on the hypothesis configuration
School of Mathematical Sciences, Tongji University（同济大学数学科学学院）
针对多个独立序贯观测数据流中每个流有多个候选假设的问题，利用假设配置的先验信息，设计了一种可靠、计算高效且渐近最优的序贯检验程序。
2026-05-30 stat.ME
A studentized permutation test in group sequential designs
本文提出一种学生化置换检验，用于分组序贯设计，以改善小样本下的第一类错误率控制，同时保持渐近性质，模拟研究验证了其有效性。
2024-04-18 math.ST stat.TH
Sequential multiple testing with generalized error control: an asymptotic optimality theory
在两个广义误差度量下研究了序贯多重检验问题。在第一种情况下，至少控制任何类型的$k$错误的概率。在第二种情况下，同时控制至少$k_1$假阳性和至少$k_2$假阴性的概率。对于每个配方，最佳预期的样本量的特点，一阶渐近近似的误差概率为0，并提出了一种新的多重检验程序，并证明是渐近有效的每个信号配置下。当各种假设的数据流是独立的并且每个局部对数似然比统计量满足某个强大数律时，这些结果成立。在i.i.d.的特殊情况下。在每个流中的观察，所提出的顺序程序超过固定样本量计划的收益进行了量化。
2018-06-18 math.ST stat.ME stat.TH
Optimal Learning for Sequential Decision Making for Expensive Cost Functions with Stochastic Binary Feedbacks
我们考虑的问题，依次作出决定，奖励的“成功”和“失败”，可以通过一个未知的关系，依赖于一个部分可控的属性向量为每个实例预测。学习者在从实例池中选择样本时扮演积极的角色。目标是最大化离线（训练）或在线（测试）阶段的成功概率。我们的问题是由现实世界的应用程序的观察是耗时和/或昂贵的动机。我们开发了一个知识梯度策略，使用在线贝叶斯线性分类器来指导实验，通过最大化标记每个选项的信息的期望值。我们提供了一个有限时间分析的估计误差，并表明基于KG政策产生的极大似然估计是一致的和渐近正态的。我们还表明，知识梯度政策是渐近最优的离线设置。这项工作进一步扩展了知识梯度的背景土匪的设置。我们报告了一系列实验的结果，证明其效率。
2017-09-13 stat.ML
Sequential prediction under log-loss and misspecification
School of Electrical Engineering, Tel-Aviv University（特拉维夫大学电气工程学院）；Dept. of EECS, MIT（麻省理工学院电气工程与计算机科学系）
我们考虑了累积后悔下对数损失下的序贯预测问题。也就是说，给定一个假设类的分布，学习器顺序预测序列中的下一个字母（的分布），并将其性能与来自假设类的最佳常数预测器的基线进行比较。良好指定的情况对应于一个额外的假设，即数据生成分布也属于假设类。在这里，我们提出的结果在更一般的错误指定的情况下。由于对数损失的特殊性质，在密度估计和模型选择的竞争最优性方面也会出现同样的问题。对于$d$维高斯位置假设类，我们表明，在指定和错误指定的情况下，累积的遗憾渐近一致。换句话说，我们提供了一个$o(1)$的分布自由（或PAC）的遗憾在这种情况下的特征-第一个这样的结果，据我们所知。我们记得，在这种情况下，最坏情况下（或单个序列）的后悔要大一个附加常数${d\over 2} + o(1)$。令人惊讶的是，无论是传统的贝叶斯估计，也没有Shtarkov的归一化最大似然实现PAC的遗憾和我们的估计需要特殊的“鲁棒性”对重尾数据。此外，我们显示了两个一般结果误指定遗憾：最优估计的存在性和唯一性，以及边界之间的误指定遗憾（渐近）关闭的假设类。
2021-09-15 cs.IT cs.LG math.IT
Nonlinear sequential designs for logistic item response theory models with applications to computerized adaptive tests
随着现代计算机技术的发展，计算机化自适应测试越来越受到人们的欢迎。它与传统的标准化考试不同之处在于，试题的选择是根据考生的能力水平而定的。由此产生的选择策略是一个非线性的序贯设计问题。在本文中，我们研究的序贯设计问题的背景下，逻辑的项目反应理论模型。我们表明，通过最大化项目信息获得的自适应设计导致一个一致的和渐近正态的能力估计的情况下，Rasch模型。最大信息方法的修改，提出了两个和三个参数的逻辑模型。类似的渐近性质的修改后的设计和由此产生的估计。在两参数Logistic模型的情况下，给出了例子，表明没有这样的修改，能力参数的极大似然估计可能是不相容的。
2009-06-10 math.ST stat.TH
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
Beyond First-order Asymptotics in Sequential Mean Testing
National University of Singapore（新加坡国立大学）；Indian Institute of Science, Bengaluru（印度科学研究所）
研究在水平α的势为一框架下，基于KL_inf统计量的序列检验的停止时间的中心极限定理，给出渐近最优检验的二阶刻画。
2026-08-11 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
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
Joint Sequential Detection and Isolation for Dependent Data Streams
联合顺序检测和隔离的问题被认为是在多个，不一定是独立的，数据流的上下文中。提出了一种多重检验框架，其中每个假设对应于不同的数据流子集，样本量是观测的停时，四种错误的概率被控制在用户指定的不同水平之下.这些误差中的两个反映了制剂的检测组分，而另外两个反映了分离组分。当误差概率趋于0时，最优期望样本量表征为一阶渐近近似。不同的渐近制度，表示不同的优先级的检测和隔离任务，被认为是。提出了一种新颖的，通用的家庭的测试程序，其中两个不同的，在一般情况下，统计计算每个假设，一个解决检测任务和其他隔离任务。在这个家庭中，各种计算复杂性的测试，被证明是渐近最佳的不同的设置下。一般的理论被应用到异常的，不一定是独立的，数据流的检测和隔离，以及一个未知的依赖结构的检测和隔离。
2022-06-30 math.ST stat.ME stat.TH
Optimal sequential tests yield log-optimal e-processes
Carnegie Mellon University（卡内基梅隆大学）
本文证明了最优序贯检验可转化为对数最优的e过程，引入了新的WAIT e过程类，讨论了渐近对数最优性的定义细节。
2026-05-12 math.PR math.ST stat.ML
Effect of Interim Adaptations in Group Sequential Designs
本文研究了无条件和有条件停止极大似然估计量、信息测度和与成组序贯设计条件相关的信息损失。早期停止的可能性带来截断的分布形式的MLE，顺序地，GSD决定消除一些事件从样本空间。多重检验在适应的样本空间上诱导混合物。MLE的分布是截尾分布的混合。在GSD下，检验统计量在无GSD的情况下是渐近正态的，其渐近分布是局部替代项下截尾正态分布的非正态混合;在固定替代项下，检验统计量的渐近分布是退化的。对各种统计量（如信息、信息分数和置信区间）的估计应考虑到有计划的适应的影响。适应信息分数的计算需要大量的计算工作。因此，提出了一种新的GSD，其中特定阶段的样本量完全由期望的操作特性确定，并且不需要计算信息分数。
2019-08-04 stat.ME
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
Asymptotically Optimal Sequential Testing with Markovian Data
Indian Institute of Science, Bangalore（班加罗尔印度科学学院）；Indian Institute of Technology, Hyderabad（海得拉巴印度理工学院）；Univ. Lille, Inria, CNRS, Centrale Lille, UMR 9189 – CRIStAL（里尔大学、法国国家科学研究中心、中央里尔学院、UMR 9189 – CRIStAL）
针对遍历有限状态马尔可夫链生成的数据，提出一种渐近最优的序贯假设检验方法，其期望停止时间与实例相关的下界渐近匹配，并应用于马尔可夫链蒙特卡洛模型误设检测和马尔可夫决策过程结构性质检验。
2026-06-16 cs.LG math.ST stat.ML
Optimal tests following sequential experiments
本文通过分析渐近性质为序贯实验构建最优检验，发现任何检验的渐近势函数均可由基于固定统计量的极限实验检验匹配，并在多种约束下刻画了最优检验及其应用。
2023-06-28 econ.EM stat.ML
Asymptotically optimal sequential change detection for bounded means
Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种在有界均值条件下，能够达到渐近最优性能的序列变化检测方法，通过推导并证明了严格的下界和上界，实现了在低I型误差下的最优检测延迟。
2026-02-05 math.PR math.ST stat.ML
Sequential Estimation of Network Cascades
我们考虑的问题，定位网络级联的源，给定一个嘈杂的时间序列的网络数据。最初，级联从一个未知的受影响的顶点开始，并在每个时间步确定性地传播。我们的目标是找到一个自适应的过程，尽可能快地输出源的估计，估计误差的约束。对于一般的一类图，我们描述了一个家庭的矩阵序贯概率比测试（MSPRTs）是一阶渐近最优的一个常数因子的估计误差趋于零。我们将我们的结果应用到格和正则树，并表明MSPRTs是渐近最优的正则树。我们支持我们的理论结果与模拟。
2020-05-20 cs.IT cs.SI eess.SP
Optimal sequential fingerprinting: Wald vs. Tardos
我们研究了顺序抗共谋指纹，其中指纹编码是提前生成的，但指控之间的回合，并表明，在这种情况下，无论是动态Tardos计划和Wald的序贯概率比检验（SPRT）的计划建设是渐近最优的。我们进一步比较了这两种方法的顺序指纹，突出了两种方案之间的差异。基于这些差异，我们认为，沃尔德的计划一般应优于动态Tardos计划，即使这两个计划有自己的优点。作为一个副产品，我们得到了一个最佳的顺序成组测试方法的经典模型，它可以很容易地推广到不同的成组测试模型。
2015-02-12 cs.CR math.ST stat.TH
Asymptotically optimal multistage tests of simple hypotheses
本文基于有效的多级抽样方法，描述了一类简单假设的变级数多级检验。使用的损失函数，这是一个线性组合的抽样成本和错误概率，这些测试显示，以尽量减少二阶的综合风险，每阶段和每个观察的成本接近零。数值研究表明，在一个二项式测试问题的组序贯检验显着改善。
2007-12-05 math.ST stat.TH
Asymptotically Optimal Sampling Policy for Selecting Top-m Alternatives
针对蒙特卡洛模拟中选择前m个备选方案的问题，提出一种贝叶斯序贯采样策略，并证明其一致且达到错误选择概率大偏差速率意义下的渐近最优采样比例。
2021-11-30 math.OC math.ST stat.TH
Power comparison of sequential testing by betting procedures
本文推导了有界均值序贯检验在一般备择假设下的功效保证，通过引入方差约束拓宽备择假设范围，并在多维设置下比较不同检验程序，同时将分析扩展至其他泛函与预报器比较。
2025-10-14 math.ST stat.TH
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
Active Sampling of Multiple Sources for Sequential Estimation
Rensselaer Polytechnic Institute（伦斯勒理工学院）；IBM Thomas J. Watson Research Center（IBM托马斯·J·沃森研究中心）
考虑$K$过程，每个过程生成一个相同且独立的随机变量序列。这些过程的概率测度具有必须估计的随机参数。具体而言，它们共享所有概率度量共有的参数$θ$。此外，每个进程$i\in\{1, \dots, K\}$都有一个私有参数$α_i$。我们的目标是设计一个积极的采样算法，依次估计这些参数，以形成可靠的估计所有共享和私人参数的最少数量的样本。该采样算法有三个关键组成部分：（i）~数据驱动的采样决策，其随时间动态地指定应选择哪个$K$过程进行采样;（ii）~过程的停止时间，其指定累积的数据何时足以形成可靠的估计并终止采样过程;以及（iii）~所有共享和私有参数的估计器。由于序贯估计被称为是分析棘手的，本文采用了\emph {条件}估计成本函数，导致最近被证明是呈现易处理的分析的序贯估计方法。渐近最优的决策规则（抽样，停止，估计）划定，并提供数值实验，以比较所提出的程序的有效性和质量的相关方法。
2022-08-10 cs.LG math.ST stat.TH
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
On optimal quantization rules for some problems in sequential decentralized detection
我们考虑系统的设计顺序分散检测，一个问题，需要几个相互依赖的选择：选择一个停止规则（指定的样本量），一个全球决策功能（两个相互竞争的假设之间的选择），和一组量化规则（本地决策的基础上，全球决策）。本文讨论了一个开放的问题，是否在贝叶斯制定的顺序分散检测，最佳的局部决策函数可以找到固定的规则类。我们开发了一个渐近近似的静态量化规则的最佳成本，并利用这种近似表明，静态量化器是不是最佳的，在广泛的设置类。我们还考虑了类的块平稳量化器，并表明，渐近最佳量化器是基于似然阈值规则。
2008-11-26 cs.IT math.IT math.ST
Almost optimal sequential tests of discrete composite hypotheses
我们考虑的问题，顺序测试一个简单的原假设与复合备择假设，由一个有限集的密度。本文研究了基于混合似然比统计量和加权广义似然比统计量阈值化的序贯检验。结果表明，这两个序贯检验有几个渐近最优性能的错误概率为零。首先，对于任何权重，它们在备择假设中的每个场景下在常数项内最小化预期样本量，并且在原假设下至少最小化到一阶。其次，对于先验分布的适当权重，它们在备择假设中的加权预期样本量在渐近可忽略项内最小化。第三，对于一个特定的先验分布，他们几乎是极小极大相对于预期的Kullback-Leibler分歧，直到停止。此外，基于高阶渐近展开的操作特性，我们提出了先验分布，导致一个强大的行为。最后，基于渐近分析以及模拟实验，我们认为，这两种测试具有相同的性能时，他们被设计为具有相同的权重。
2013-01-22 math.ST stat.ME stat.TH
An Asymptotic Law of the Iterated Logarithm for $\mathrm{KL}_{\inf}$
Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种适用于无界数据的经验KL_inf的迭代对数定律，以解决非渐近集中界的最优性问题。
2026-02-05 math.ST stat.ML stat.TH
Non-partitioned e-detectors for nonparametric sequential change detection
Massachusetts Institute of Technology（麻省理工学院）；Carnegie Mellon University（卡内基梅隆大学）
针对变化前后分布均未知的非参数序贯变化检测问题，提出一类非分区电子检测器，证明其可达到一阶渐近最优检测延迟，适用于多种具体变化场景。
2026-07-31 math.ST stat.ME stat.ML
