Robust Quickest Change Detection with Cost-Efficient Experiment Design and Unknown Post-Change Model
University of Pittsburgh(匹兹堡大学)
本文针对多实验场景下后变分布未知的鲁棒最快变化检测问题,提出基于最不利分布设计的算法,该算法满足相关约束且具有一阶渐近最优性,可最小化最坏情况平均检测延迟。
2026-10-14 cs.IT eess.SP math.IT
Quickest Change Detection in the Presence of Transient Adversarial Attacks
我们研究了一个监控系统,其中传感器的观测值的分布从一个标称分布的变化,以响应对手的存在。该系统使用最快变化检测过程,Shewhart规则,检测对手使用其资源影响的异常分布,以隐藏其存在。感兴趣的度量是在变化点之后的预定义数量的时隙内错过检测的概率。假设对手的资源限制是已知的检测器,我们发现所需的传感器的数量,使最坏情况下的漏检概率小于一个可接受的水平。观测值的分布被假设为高斯分布,对手的存在会影响它们的均值。我们还提供了模拟结果来支持我们的分析。
2022-06-07 eess.SP
Quickest Detection of COVID-19 Pandemic Onset
本文开发了一个易于实现的版本页的快速检测测试,旨在工作在某些复合假设的情况下随时间变化的数据统计。决策统计量可以以递归形式进行转换,特别适合于在线分析。通过对公开的COVID-19数据进行回溯测试,我们发现了可靠的感染爆发早期预警,事实上,该工具可能对决策者在未来可能需要采取的限制性措施的时间方面有用。
2021-04-20 eess.SP physics.soc-ph q-bio.PE
Quickest Change Detection with Leave-one-out Density Estimation
考虑了独立观测序列中的最快变化检测问题。假设变更前分布已知,而变更后分布完全未知。一个窗口有限的留一法(LOO)CuSum测试,它不假设任何知识的变化后的分布,并且不需要任何变化后的训练样本。结果表明,在一定的收敛条件下的密度估计,LOO-CuSum测试是一阶渐近最优的,虚警率为零。分析通过数值结果进行验证,其中LOO-CuSum测试与具有分布知识的基线测试进行比较。
2022-11-04 eess.SP math.ST stat.TH
Score-Based Quickest Change Detection and Fault Identification for Multi-Stream Signals
本文提出min-SCUSUM方法,利用Hyvarinen分数函数之差替代对数似然比,解决多流信号快速变化检测与故障隔离中高维复杂模型下传统似然比方法计算困难的问题,并给出延迟、虚警及故障误识别概率的理论分析。
2025-11-06 eess.SP math.ST stat.ME
Quickest Attack Detection in Smart Grid Based on Sequential Monte Carlo Filtering
快速准确地检测网络攻击是智能电网系统正常运行的关键。针对电网频率漂移的情况,提出了一种基于公共监测输出电压的联合状态估计和顺序攻击检测方法。特别是,基于一个非线性状态空间模型来自三相正弦电压方程,我们采用顺序蒙特卡罗(SMC)滤波估计系统状态。SMC过滤器的输出被馈送到一个测试中,以最快的方式检测攻击。此外,提出了一种自适应采样策略,以减少采取测量和与控制器通信的速率。大量的仿真结果表明,该方法实现了高适应性和有效的检测各种类型的攻击在电力系统。
2017-12-22 eess.SP
Robust Score-Based Quickest Change Detection
针对最快变化检测中变化前后得分函数仅对应两个不相交集合分布的情况,本文通过选择最不利分布对现有基于得分的算法进行鲁棒化,研究其性质、计算特定模型类的最不利分布并提供估计方法,仿真验证了性能。
2025-07-08 eess.SP stat.ME stat.ML
Quickest Change Detection with Confusing Change
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文针对最速变化检测中需区分坏变化与混淆变化的问题,提出S-CuSum和J-CuSum两种基于累积和的检测程序,可在避免虚警的同时快速检测坏变化,并给出性能保证。
2024-05-01 cs.IT cs.LG eess.SP
Quickest Change Detection with Non-Stationary Post-Change Observations
考虑了一个独立观测序列的分布变化的最快检测问题。假设变更前的观测值是平稳的,具有已知的分布,而允许变更后的观测值是非平稳的,其分布中可能存在一些参数不确定性。特别是,它是假设的变化后和变化前的分布之间的累积Kullback-Leibler分歧增长在一定的方式随着时间的变化点后。对于变化后的分布是已知的情况下,一个普遍的渐近下界的延迟推导出,作为虚警率为零。此外,一个窗口有限的累积和(CuSum)的程序开发,并实现了渐近下界。对于变化后的分布具有参数不确定性的情况下,一个窗口有限(WL)广义似然比(GLR)CuSum程序的开发和渐近实现的普遍下界。扩展的情况下,与相关的意见进行了讨论。通过对合成数据的数值结果验证了分析。还展示了WL-GLR-CuSum程序在监测大流行病中的使用。
2022-10-17 eess.SP math.ST stat.AP
Quickest Detection of Growing Dynamic Anomalies in Networks
研究了传感器网络中最快增长动态异常检测问题。最初,在传感器的观察,这是由决策者顺序采样,根据变化前的分布生成。在某个未知但确定的时刻,网络中出现动态异常,随着时间的推移影响不同的传感器集合。受影响传感器的观测值由变更后分布生成。它是假设受影响的传感器的数量随着时间的推移而增加,并且只有初始和最终的异常的大小是已知的决策者。目标是尽可能快地检测异常的出现,同时保证足够低的误报警事件频率。这个检测问题是作为一个随机最优化问题,通过使用的延迟度量,是基于最坏的可能路径的异常。提出了一个检测规则,是渐近最优的平均时间到虚警趋于无穷大。最后,数值结果验证了我们的理论分析。
2020-02-02 eess.SP math.ST stat.TH
Non-Parametric Quickest Detection of a Change in the Mean of an Observation Sequence
我们研究的问题,最快的检测的平均值的观测序列的变化,假设前和后的变化分布有界的支持。我们首先研究的情况下,改变前的分布是已知的,然后研究的扩展,只有改变前的分布的均值和方差是已知的。在这两种情况下,没有知识的变化后的分布是假设,除了它有界的支持。对于变化前的分布是已知的情况下,我们推导出一个测试,渐近最小化最坏情况下的检测延迟在所有变化后的分布,作为虚警率为零。然后,我们研究了最优检验的极限形式,因为变化前和变化后的均值之间的差距为零,我们称之为均值变化检验(MCT)。我们表明,MCT可以设计与变化前的分布的均值和方差的知识。我们验证我们的分析,通过数值结果检测的β分布的平均值的变化。我们还展示了MCT在大流行监测中的应用。
2021-01-14 eess.SP
Quickest Anomaly Detection in Sensor Networks With Unlabeled Samples
本文研究无标签样本下传感器网络的最快异常检测问题,针对静态与动态异常分别提出基于混合似然比和最大似然估计的算法,并推导平均检测延迟下界以证明其渐近最优性。
2022-09-04 eess.SP
Quickest Change Detection in Anonymous Heterogeneous Sensor Networks
研究了匿名异构传感器网络中的最快变化检测(QCD)问题。存在$n$异构传感器和融合中心。传感器被聚类为$K$组,并且不同的组遵循不同的数据生成分布。在某个未知的时间,网络中发生了一个事件,改变了传感器的数据生成分布。我们的目标是尽可能快地检测到变化,受到虚警约束。研究了匿名设置,在每个时间步,融合中心接收到$n$无序样本,融合中心不知道每个样本来自哪个传感器,因而不知道其确切分布。首先为混合似然比检验推导出一个简单的最优性证明,该检验是在(Chen和Wang,2019)中构造的,并被证明对于非顺序匿名设置是最优的。对于QCD问题,进一步构造了一个混合CuSum算法,并进一步证明了该算法在Lorden准则下是最优的。对于大型网络,提出了一种计算效率高的测试,并开发了一种新的理论表征其虚警率。数值结果验证了理论分析的正确性。
2022-02-26 eess.SP
Robust Quickest Change Detection in Non-Stationary Processes
针对变化后分布随时间变化且信息不精确的非平稳过程,本文利用最不利分布构建鲁棒且最优的最快变化检测算法,并通过真实与模拟数据验证其有效性。
2025-05-12 eess.SP math.ST 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
Quickest Change Detection with Post-Change Density Estimation
针对变点后分布未知的最速变点检测问题,提出NGLR和NWLA两种CuSum检验,无需变点后训练样本,在误报率趋于零时证明其一阶渐近最优性并通过数值验证。
2023-11-25 eess.SP math.ST stat.TH
Data-Driven Quickest Change Detection in (Hidden) Markov Models
针对无预/后变分布先验的(隐)马尔可夫模型最快变点检测问题,提出基于核的递归高效数据驱动算法,推导性能界并在两类电力系统故障检测中验证有效性。
2023-11-08 eess.SP
Robust Quickest Change Detection for Unnormalized Models
针对在线数据流中变化后分布未知且模型未归一化的问题,本文提出基于分数的鲁棒 RSCUSUM 算法,用 Fisher 散度替代 KL 散度并引入最不利分布,仿真验证了其性能与理论分析。
2023-06-08 eess.SP stat.ME
Robust Quickest Correlation Change Detection in High-Dimensional Random Vectors
本文针对高维数据中变化后分布未知且时变的相关变化检测问题,提出一种基于最大幅值相关系数渐近密度的鲁棒最速检测算法,兼具计算高效性和广泛分布适用性,并通过模拟实验验证其有效性。
2024-10-04 eess.SP stat.ME
Modeling and Quickest Detection of a Rapidly Approaching Object
研究了检测可能导致灾难的信号的存在的问题。决策者在一段时间内按顺序收集数据。在某个时间点,称为变化点,数据的分布发生变化。这种分布的变化可能是由于一个事件或敌人物体的突然到来。如果不迅速发现,这种变化有可能导致重大灾难。在空间和军事应用中,测量值可以随着时间的推移而随机增长,因为敌方物体更接近目标。提出了一种新的随机过程--爆炸过程,用于随机增长数据的建模。提出了一种算法,并证明是渐近最优的平均时间到一个虚警趋于无穷大。
2023-03-04 eess.SP math.ST stat.TH
Quickest Detection of Moving Anomalies in Sensor Networks
研究了传感器网络中移动异常随时间变化的检测问题。每个网络传感器的特征在于非异常和异常分布,控制传感器数据的生成。最初,每个传感器的观测值根据相应的非异常分布生成。在某个未知但确定的时刻之后,出现移动异常,随着时间的推移影响不同的传感器组。结果,根据相应的异常分布生成受影响的传感器的观测值。我们的目标是设计一个停止程序,以检测出现的异常,尽快受到限制的频率假警报。在最快的变化检测框架中研究了该问题,假设异常的演变是未知的,但确定性的。为此,我们提出了一个修改Lorden的最坏的平均检测延迟度量占异常的轨迹,最大限度地提高了候选检测过程的检测延迟。我们建立了一个累积和型测试解决了所产生的顺序检测问题时,传感器是均匀的。对于异构传感器的情况下,所提出的检测方案可以修改,以提供一阶渐近最优算法。最后,我们提出了数值模拟,以验证我们的理论分析。
2020-07-28 eess.SP math.ST stat.TH
Conditional Score Learning for Quickest Change Detection in Markov Transition Kernels
本文针对转移核未知的马尔可夫过程,提出通过直接学习条件得分并构造基于得分的截断 CUSUM 统计量来实现最快变化检测,同时给出虚警时间下界和检测延迟上界的理论保证。
2025-11-06 cs.LG eess.SP math.ST
Non-Parametric Quickest Mean Change Detection
研究了独立观测序列均值变化的最快检测问题。假设更改前的分布是平稳的,而允许更改后的分布是非平稳的。首先研究了变化前分布已知的情况,然后研究了仅知道变化前分布的均值和方差的情况。假设不了解变更后分布,除非其均值高于某个预先指定的阈值(大于变更前均值)。对于变化前的分布是已知的情况下,一个测试得出,渐近最大限度地减少最坏情况下的检测延迟在所有可能的变化后的分布,作为虚警率为零。为了推导出这种渐近最优检验,本文对非平稳环境下渐近极大极小鲁棒最快变化检测的一般问题给出了一些新的结果。然后,最佳测试的限制形式的研究,作为前和后的变化的手段之间的差距为零,称为均值变化测试(MCT)。结果表明,MCT可以设计与变化前分布的均值和方差的知识。MCT的性能也被表征时,平均差距是温和的,在额外的假设下,观察的分布有界的支持。通过检测β分布均值变化的数值结果验证了分析。还展示了在监测大流行病方面使用MCT的情况。
2021-08-25 eess.SP math.ST stat.TH
An Enhanced MPPT Method based on ANN-assisted Sequential Monte Carlo and Quickest Change Detection
光伏系统的性能受到变化的环境条件的影响,并且当发生部分阴影时,跟踪最大功率点(MPP)并保持最佳性能变得更具挑战性。在本文中,我们提出了一种增强的最大功率点跟踪(MPPT)的方法,利用状态估计的顺序蒙特卡罗(SMC)滤波,通过人工神经网络(ANN)预测的MPP辅助。在增量电导(I-C)MPPT方法的框架下,提出了一种用于MPP序贯估计的状态空间模型,并基于观测到的电压、电流或辐照度数据,利用ANN模型预测全局MPP(GMPP),以改进SMC的估计。此外,一个快速的irrandiance变化检测方法的应用,使基于SMC的MPPT方法诉诸于从人工神经网络的援助,只有当部分阴影检测。仿真结果表明,该方法具有较高的效率,并对不同噪声水平下的快速辐照度变化具有鲁棒性。
2018-05-13 eess.SP
Quickest Detection and Forecast of Pandemic Outbreaks: Analysis of COVID-19 Waves
截至二零二零年十二月,COVID-19疫情已在全球范围内造成逾170万人死亡,并令全球最先进的医疗系统承受沉重压力。在许多国家,政治当局采取的严厉限制措施,如全国封锁,并没有阻止新的大流行浪潮的爆发。在这篇文章中,我们提出了一个综合的检测-估计-预测框架,该框架使用公开可用的数据,旨在:(i)了解大流行的相关特征(例如,感染率);(ii)尽快发现传染病指数增长的开始(或结束);及(iii)可靠地预测大流行病的演变。通过分析美国的COVID-19第二波和第三波,验证了所提出的解决方案。
2021-04-21 eess.SP physics.soc-ph q-bio.PE
Ordering for Communication-Efficient Quickest Change Detection in a Decomposable Graphical Model
一个最快的变化检测问题被认为是在一个传感器网络的观察,其统计依赖结构的变化之前和之后的传感器描述的可分解的图形模型(DGM)。分布式计算方法,这个问题提出了能够产生最佳的集中式测试统计量。DGM导致以适当的方式将节点收集到相当于图中的团的局部组中,使得可以在每个团内计算汇总所有团传感器数据的团统计。集团统计被发送到决策者,以产生最佳的集中式测试统计。为了进一步提高通信效率,提出了一种有序传输方法,其中团统计到融合中心的传输是有序的,然后在积累了足够的信息时自适应地停止。该过程总是保证提供最佳的变化检测性能,尽管没有传输来自所有集团的所有统计数据。有序传输保存的传输的平均数的下限提供和的情况下,很少发生变化的下限接近约一半的集团提供了良好的行为之间的距离测量的传感器观测的分布之前和之后的变化是足够大的。我们还扩展的方法的情况下,图结构是不同的每个假设。数值结果表明,显着节省使用有序传输的方法,并验证了理论研究结果。
2020-08-10 eess.SP
A Mixture-of-Experts Framework for Multi-Stream Quickest Change Detection
University of Pittsburgh(匹兹堡大学);Augusta University(奥古斯塔大学);Duke University(杜克大学)
本文提出混合专家(MoE)框架用于多流最快变化检测(QCD),该框架生成的算法性能优于现有最优的秩加权和(RWS)方案,经仿真实验在两类数据集上得到验证。
2026-10-16 eess.SP stat.ME stat.ML
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
Quickest change detection for UAV-based sensing
本文针对单无人机监控两个位置的最速变化检测问题,提出基于SPRT的位置切换与变化检测算法LS-CD,并利用随机游走理论给出ARL2FA和WADD的严格理论界,数值仿真验证其有效性。
2025-04-10 cs.SY eess.SP eess.SY
Quickest Detection of False Data Injection Attack in Distributed Process Tracking
本文研究无融合中心分布式网络中的虚假数据注入攻击检测问题,分别基于贝叶斯和非贝叶斯最快变化检测框架,利用Shriyaev统计量、多假设序贯概率比检验及WL-GLR算法实现攻击的快速检测与识别。
2024-02-15 cs.SY eess.SP eess.SY
Quickest Change Detection with Cost-Constrained Experiment Design
University of Pittsburgh(匹兹堡大学)
本文针对成本约束下的快速变化检测问题,提出2E-CUSUM算法并迭代扩展至多实验场景,在满足误报率和成本约束下实现接近最优的检测延迟,并探讨了数据效率。
2025-10-06 cs.SY eess.SP eess.SY
Quickest Change Point Detection with Measurements over a Lossy Link
Indian Institute of Science, Bengaluru(印度科学学院);Indian Institute of Technology Delhi(印度德里理工学院)
针对工业4.0中传感器经有损链路传输测量值的最快变点检测问题,提出基于CUSUM的渐近最优算法,探索LCFS队列与多传感器调度策略以优化检测延迟,为非渐近场景系统设计提供依据。
2025-10-29 eess.SP
Zero-bias Deep Neural Network for Quickest RF Signal Surveillance
Auburn University at Montgomery(奥本大学蒙哥马利分校);Qingdao University(青岛大学);Embry-Riddle Aeronautical University(安柏瑞德航空大学);Bowling Green State University(鲍灵格林州立大学)
物联网(IoT)正在重塑现代社会,允许大量RF设备通过RF通道连接和共享信息。然而,这种开放性也给监控带来了障碍。为了缓解,监视预言机或认知通信实体需要实时识别和确认已知或未知信号源的出现。在本文中,我们提供了一个用于RF信号监视的深度学习框架。具体来说,我们联合集成了深度神经网络(DNN)和最快检测(QD),以形成一个顺序信号监视方案。我们首先分析了神经网络分类模型的潜在空间特性,然后利用DNN分类器的响应特性,提出了一种新的方法将现有的DNN分类器转换为性能保证的二进制异常检测器。通过这种方式,我们将DNN与参数化最快检测无缝集成。最后,本文提出了一种增强的弹性权重合并(Elastic Weight Consolidation,EWC)算法,该算法具有更好的数值稳定性,适用于信号监测系统中DNN的增量进化,并证明了零偏DNN在增量学习和决策公平性方面优于常规DNN模型。我们使用真实信号数据集评估了拟议的框架,我们相信这个框架有助于开发一个值得信赖的物联网生态系统。
2021-10-12 cs.AI cs.CR cs.LG
On Multi-entity, Multivariate Quickest Change Point Detection
Department of Electrical and Computer Engineering, Tufts University(电气与计算机工程系,塔夫茨大学);Department of Computer Science, Tufts University(计算机科学系,塔夫茨大学)
针对传统传感方法不可行的人群监测场景,提出多实体多元时间序列在线变化点检测框架,通过个体偏离常态(IDfN)与系统范围异常分数(SWAS)结合CUSUM检测变化,无需标记数据,还提供新数据集填补空白。
2025-09-22 cs.LG eess.SP stat.AP
Sequential Detection of Regime Changes in Neural Data
研究了神经元数据中放电模式变化的检测问题。该问题被制定为一个最快的变化检测问题。从文献中的重要算法进行了审查。讨论了一种新的算法技术,以检测从学习的基线行为的偏差。所研究的算法可以应用于棘波和局部场电位数据。将该算法应用于小鼠的尖峰数据,以验证行为学习的存在。
2018-09-02 eess.SP q-bio.NC stat.AP
Reinforcement Learning with an Abrupt Model Change
University of Pittsburgh(匹兹堡大学);DEVCOM Army Research Laboratory(DEVCOM陆军研究实验室)
针对环境模型突变的强化学习问题,提出一种结合最快变化检测与无模型策略学习的算法,实现长期折扣奖励最优,并给出快速检测与初始化建议。
2023-04-22 cs.LG cs.SY eess.SP
Detecting Abrupt Changes in Channel Covariance Matrix for MIMO Communication
信道协方差矩阵的获取对于多输入多输出(MIMO)通信中的许多策略(例如最小均方误差(MMSE)信道估计)是至关重要的。因此,许多文献提出了有效的信道协方差矩阵估计方案。然而,由于散射环境和用户位置的变化,信道协方差矩阵在实际中偶尔会发生突变。本文的目的是采用经典的变化检测理论来检测信道协方差矩阵的变化,尽可能准确和快速,以便新的协方差矩阵可以重新估计的时间。具体来说,本文首先考虑的技术,在线变化检测(也称为最快/顺序变化检测),我们需要检测是否发生在每个信道相干时间间隔的信道协方差矩阵的变化。其次,由于在每个相干时间间隔检测高维协方差矩阵的变化的复杂度太高,我们设计了一种低复杂度的离线策略在大规模多输入多输出系统中,其中变化检测仅在给定时间段的最后一个信道相干时间间隔执行。数值结果表明,我们提出的在线和离线方案可以检测到信道的协方差变化与小的延迟和低虚警率。因此,本文从理论上和数值上验证了在实际应用中准确、快速地检测信道协方差变化的可行性。
2023-03-10 cs.IT eess.SP math.IT