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
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
Sequential change-point detection: Computation versus statistical performance
本文从计算与统计能力权衡的新视角，综述经典及近期考虑内存效率与鲁棒性的非参数序贯变点检测方法，并总结可用于新程序分析的经典性能分析技术。
2023-06-01 math.ST stat.TH
Asymptotically optimal, sequential, multiple testing procedures with prior information on the number of signals
假设数据是从独立的数据流中顺序收集的，我们考虑了在两个一般设置下多个二元假设的同时检验;当信号的数量（正确的选择）是事先已知的，当我们只有一个下限和一个上界。在这些设置中，我们提出了可行的程序，控制，没有任何分布假设，类型I和类型II的族错误概率低于给定的用户指定的水平。然后，在i.i.d.的情况下，观察在每个流中，我们表明，所提出的程序实现最佳的预期样本量，在每一个可能的信号配置，渐近的两个错误概率消失在任意速率。一个模拟研究是在一个完全对称的情况下，并支持从我们的渐近结果，如事实上，知识的确切数量的信号大约一半的预期数量的观察相比，没有先验信息的情况下获得的见解。
2016-07-20 math.ST stat.ME stat.TH
Sequential multi-sensor change-point detection
我们开发了一个混合物的程序来监控并行数据流的变化点，只影响其中的一个子集，而不假设一个空间结构的数据流相互关联。观测最初被假定为独立的标准正态随机变量。在变点之后，数据流子集中的观测值具有非零均值。子集和变更后均值未知。我们研究的过程中使用流特定的广义似然比统计，这是相结合，形成一个整体的检测统计的混合模型，假设一个假定的分数$p_0$受影响的数据流。当没有变化时，得到了平均游程长度（ARL）的解析表达式，并且通过模拟表明是非常准确的。类似地，还获得了在变化点之后的期望检测延迟（EDD）的近似。数值例子给出了比较建议的程序，其他程序的非结构化问题，并在一种情况下，假设该问题有一个明确的几何结构。最后，我们讨论了灵敏度的程序的假设值的$p_0$，并提出了一个推广。
2013-05-09 math.ST stat.TH
Pooling Sequential Evidence Across Hypotheses: Rate-Optimal Multiple Testing at a Fixed Horizon
H. Milton Stewart School of Industrial；Systems Engineering, Georgia Institute of Technology, e1,e2
本文提出一种在固定时间范围内对未知数量错误假设进行序贯检验的方法，通过先验加权混合和闭合检验实现速率最优的多重检验，并有效控制族系错误率。
2026-09-24 math.ST stat.ME stat.TH
Peeking with PEAK: Sequential, Nonparametric Composite Hypothesis Tests for Means of Multiple Data Streams
Cornell Tech（康奈尔理工学院）
提出基于赌博框架的非参数序贯检验方法PEAK，用于多数据流均值复合假设检验，在保证第一类错误控制的同时显著减少样本量并降低计算复杂度。
2024-06-02 cs.LG stat.ME stat.ML
Global Sequential Testing for Multi-Stream Auditing
Mathematical Institute for Data Science (MINDS), Johns Hopkins University（数据科学数学研究所（MINDS），约翰霍普金斯大学）；Department of Biomedical Engineering, Johns Hopkins University（生物医学工程系，约翰霍普金斯大学）；Amazon Responsible AI（亚马逊负责任人工智能）
针对多数据流审计问题，提出基于鞅合并的序贯检验方法，在稀疏和密集备择假设下分别达到最优停止时间，并通过实验验证。
2026-07-13 cs.LG stat.ML
Improving online FDR procedures via online analogs of e-closure and compound e-values
Carnegie Mellon University（卡内基梅隆大学）；University of Bremen（不来梅大学）
本文提出一种改进在线多重检验方法的框架，通过在线e-closure原理和新型复合e值定义，实现严格功率提升并保持FDR控制，算法在O(log t)时间内完成决策，并在合成和真实数据上表现更优。
2026-07-09 math.ST stat.ME stat.TH
Online Change-Point Detection in Linear Regression with Autoregressive Errors via Streaming Variational Bayes
Yonsei University（延世大学）
该研究提出流式变分贝叶斯方法，用于带自回归误差的线性回归在线变点检测，经模拟和比特币波动率数据验证，其检测性能优于频率主义序贯监测程序。
2026-10-14 stat.ME
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
First-order optimal sequential subspace change-point detection
我们考虑顺序变点检测问题的检测变化，其特征在于由一个子空间结构。这样的改变在改变对应的协方差阵的形式的高维流数据中是频繁的。在这项工作中，我们提出了一个子空间的最优过程，并证明其一阶渐近最优性的情况下，子空间结构是未知的，需要同时估计。为了实现这一目标，我们开发了一个合适的分析方法，其中包括一个适当的参数最优化的检测方案。数值模拟证实了我们的理论研究结果。
2018-06-28 math.ST stat.TH
Sequential Multiple Testing
我们研究了一个在线的多重测试问题，假设顺序到达流。检验统计量是独立的，并假设在各自的零假设下具有相同的分布。我们研究了由（Javanmard和Montanari，2015）提出的两个程序LORD和LOND，它们被证明可以在线控制FDR。在某些（静态）模型中，我们证明了LORD在某种渐近意义上是最优的，特别是在第一渐近阶上与（静态）Benjamini-Hochberg过程一样强大。我们还量化了LOND的性能。一些数值实验补充了我们的理论。
2017-05-25 math.ST stat.TH
Optimal Sequential Detection by Sparsity Likelihood
本文研究多数据流序贯变点检测，给出不同稀疏性水平下检测延迟的渐近下界，并提出基于稀疏似然得分的停止规则以实现最优检测，数值实验验证了其有效性。
2023-06-01 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
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
Rolling Conformal Prediction in Sequential Model Training
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Harvard University（哈佛大学）；University of Chicago（芝加哥大学）
本文提出滚动共形预测（rolling-CP），一种无需数据分割的序贯模型训练推断方法，在可交换数据下提供边际覆盖保证，并在实验中验证其有效性。
2026-09-24 cs.LG math.ST stat.ME
A Rejection Principle for Sequential Tests of Multiple Hypotheses Controlling Familywise Error Rates
我们提出了一个统一的方法，顺序（或流）数据的多重检验程序，通过给一个顺序的多重检验程序，以控制familywise错误率（FWER）的充分条件，扩展到顺序域的工作Goeman和Solari（2010年）谁完成了这一固定样本量程序。我们把这些条件统称为“序贯试验的拒绝原则”，然后将其应用于一些现有的序贯多重检验程序，以简化对FWER控制的理解。其次，应用该原理推导出两个新的具有可证明FWER控制的序贯多重检验程序，一个用于按序检验假设，另一个用于封闭检验假设。这些新的程序的例子是通过将它们应用到染色体畸变数据集，并找到最大的安全剂量的治疗。
2015-02-24 stat.AP stat.ME
Sequential Tests of Multiple Hypotheses Controlling False Discovery and Nondiscovery Rates
我们提出了一个通用的和灵活的程序来测试多个假设的顺序（或流）的数据，同时控制的错误发现率（FDR）和错误的非发现率（FNR）的最小假设下的数据流，可能会有所不同的分布，尺寸，并依赖。所有需要的是用于控制传统的I型和II型错误概率的每个数据流的检验统计量，并且不需要关于统计量或数据流的联合分布的信息或假设。该程序可与顺序、成组顺序、截断或其他采样方案一起使用。该程序是Benjamini和Hochberg（1995）广泛使用的固定样本量程序到顺序数据领域的自然扩展，具有序贯抽样提供的同时FDR和FNR控制的额外好处。我们证明了程序的错误控制，并给出了一些提示，在常见的测试情况下实施。
2019-01-11 math.ST stat.ME stat.TH
Renewable Learning for Multiplicative Regression with Streaming Datasets
当大量数据以流的形式连续到达时，在线更新是减少存储和计算负担的有效方法。在线更新的核心思想是只使用当前数据和历史原始数据的一些汇总统计量来顺序更新先前的估计量。在这篇文章中，我们开发了一个可更新的学习方法的乘法回归模型与流数据，其中的参数估计的最小产品相对误差标准的基础上更新，而无需重新访问任何历史的原始数据。在一定的正则条件下，证明了更新估计的相合性和渐近正态性。此外，理论结果证实，建议的可更新估计实现了相同的渐近分布的最小产品相对误差估计与整个数据集。数值研究和两个实际数据的例子来评估我们所提出的方法的性能。
2022-10-11 stat.ME
Sequential Quantiles via Hermite Series Density Estimation
序贯分位数估计是指以增量方式将观测值合并到分位数估计值中，从而在任何给定时间点提供一个或多个分位数的在线估计值。序贯分位数估计也称为在线分位数估计。这个领域与数据流分析和大规模数据集的一次性分析有关。应用包括网络流量和延迟分析、实时欺诈检测和高频交易。在静态分位数估计和动态分位数估计的背景下，提出了基于Hermite级数估计的在线分位数估计新方法。在静态分位数估计设置中，我们以一种新的方式应用现有的Gauss-Hermite展开。特别是，我们利用高斯-厄米系数可以按顺序更新的事实。为了处理动态分位数估计，我们引入了一种新的扩展与指数加权估计的高斯-厄米特系数，我们称之为指数加权高斯-厄米特（EWGH）的扩展。这些算法超越了现有的顺序分位数估计算法，因为它们允许在任何时间点估计任意分位数（与预先指定的分位数相反）。在这样做，我们提供了一个解决方案，在线分布函数和在线分位数函数估计的数据流。特别是，我们推导出的CDF的解析表达式，并证明在一定条件下的CDF的一致性结果。此外，我们分析了相关的分位数估计。仿真研究和实际数据的测试表明，基于高斯-厄米特算法是具有竞争力的领先的现有算法。
2017-03-04 stat.CO stat.ML
Sequential Detection of Transient Signals in High Dimensional Data Stream
受高维数据流中瞬态信号序列检测的启发，本文研究了EWMA、MA、ARUM和GLRT图在稳态时误检概率（FDP）约束下的检测功率（POD）对多变量数据流中瞬态信号检测的性能.给出了FDP和POD的近似值。结果表明，当信号强度未知时，EWMA图与GLRT图具有相同的性能，但其设计不受信号长度的限制，易于更新。此外，当信号仅出现在一小部分通道中时，具有硬阈值的MEWMA图表现得更好。道琼斯30种工业股票价格被用来说明。
2022-06-23 math.ST stat.TH
Sequential Change Detection for Multiple Data Streams with Differential Privacy
University of Minnesota（明尼苏达大学）；University of Georgia（佐治亚大学）
本文研究了在差分隐私约束下多数据流的顺序变化点检测问题，提出DP-SUM-CUSUM方法，通过汇总各流CUSUM统计量并注入校准的拉普拉斯噪声，实现隐私保护下的高效检测。
2026-04-14 cs.CR math.ST stat.TH
Sequential Learning of Principal Curves: Summarizing Data Streams on the Fly
Inria（法国国家信息与自动化研究所）；University College London（伦敦大学学院）；Université d’Angers（昂热大学）；iAdvize（iAdvize公司）
当面对海量数据流时，使用诸如PCA的降维方法来总结数据会带来理论和算法上的缺陷。主曲线作为PCA的非线性推广，本文提出了一种新的算法，自动和顺序学习主曲线从数据流。我们表明，我们的程序是支持的遗憾界与最佳次线性余项。一个贪婪的本地搜索实现（称为\texttt{slpc}，顺序学习主曲线），结合睡眠专家和多臂强盗成分，以及其遗憾的计算和性能的合成和现实生活中的数据。
2019-05-08 cs.LG math.ST stat.ML
Optimal sequential detection in multi-stream data
考虑大量的检测器，每个检测器生成一个数据流。任务是检测在线，分布变化的一小部分数据流。以前解决这个问题的方法包括使用混合似然比和概率和。我们在这里提供的扩展和修改，这些方法是最佳的检测正常的均值漂移。我们展示了如何（最佳）检测延迟取决于数据流的分数进行分布变化的检测器的数量趋于无穷大。有三个检测域。在第一个域中，对于中等大的分数，立即检测是可能的。在第二个域中，对于较小的分数，检测延迟随检测器的数量呈几何增长，具有扩展稀疏正态混合检测中的渐近常数。在第三域中，对于更小的分数，检测延迟位于Lorden的经典检测延迟公式的框架中。我们表明，最佳的检测延迟是通过部分分数或数据流的可检测性分数变换的总和来实现的。
2016-01-19 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
Multisource Bayesian sequential change detection
假设几个独立的复合Poisson和Wiener过程的局部特征在某个不可观测的无序时刻同时发生突变。问题是在发生后尽可能快地检测到无序时间，同时最小化误报率。例如，这些问题产生于管理制造系统中的产品质量和防止传染病的传播。如果有多个独立的信源，检测规则的快速性和准确性将大大提高。在连续时间的顺序变化检测的早期工作没有提供最佳规则的情况下，其中几个标记的计数数据和连续变化的信号是同时可观察的。本文针对标记计数数据为独立复合Poisson过程，连续变化信号为多维Wiener过程的情况，提出了最优贝叶斯序贯检测规则。利用跳算子将跳扩散过程的辅助最优停止问题转化为纯扩散过程的一系列最优停止问题，从而得到了跳扩散过程的辅助最优停止问题。这种方法是新的，在其他应用中也非常有用，因为它允许使用强大的最佳停止理论的扩散。
2008-04-01 cs.IT math.IT math.PR
Reducing sequential change detection to sequential estimation
Carnegie Mellon University（卡内基梅隆大学）
本文提出一种使用置信序列将序贯变点检测归约为序贯估计的简单方法，在每个时间步开始新的置信序列并在交集为空时宣告变化，在最小结构假设下实现了强保证。
2023-11-25 cs.LG math.ST stat.ME
