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 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
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
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
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
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
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
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
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
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
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 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 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
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
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
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
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
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
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
Sequential Change Detection Under Markov Setup With Unknown Prechange And Postchange Distributions
Shiv Nadar University（希夫纳达尔大学）
本文将2022年基于Page CUSUM统计量、经验分布和通用码的序列变化检测算法结果从独立同分布情况扩展到马尔可夫设置。
2026-03-15 cs.IT eess.SP math.IT
High-Dimensional Sequential Change Detection
针对高维多元正态时间序列分布变化检测问题，扩展最快变化检测框架至高维场景，提出归一化高维Kullback-Leibler散度主导渐近性能，确定最优参数估计器，所提方法优于传统固定维度方法。
2025-02-11 eess.SP
Provable Subspace Identification Under Post-Nonlinear Mixtures
Oregon State University（俄勒冈州立大学）
无监督混合学习（UML）旨在以盲的方式识别线性或非线性混合的潜在成分。众所周知，UML具有挑战性：即使是学习线性混合物也需要非常重要的分析工具，例如，独立分量分析或非负矩阵分解。在这项工作中，后非线性（PNL）混合模型-未知元素的非线性函数施加到线性混合物-被重新审视。PNL模型被广泛应用于从脑信号分类、语音分离、遥感到因果发现的不同领域。为了识别和去除未知的非线性函数，现有的工作通常假设潜在分量上的不同性质（例如，统计独立性或概率单形结构）。这项工作表明，在精心设计的UML标准下，与底层混合系统相关的非平凡零空间的存在足以保证识别/去除未知的非线性。与以前的工作相比，我们的发现在很大程度上放宽了获得PNL可识别性的条件，因此可能有利于潜在成分上没有强结构信息的应用。提供有限样本分析来表征所提出的方法在现实环境下的性能。为了实现所提出的学习准则，提出了一种块坐标下降算法。一系列的数值实验证实了我们的理论主张。
2022-10-14 cs.LG eess.SP stat.ML
Change Detection with Sparse Signals using Quantum Designs
我们考虑变化检测问题，其中变化前的观测向量是纯粹的噪声和变化后的观测向量是噪声损坏的压缩测量稀疏信号与一个共同的支持，测量使用的传感矩阵。一般来说，观测值的变化后分布取决于稀疏信号的支持度和方差等参数。当这些参数是未知的，我们提出了两种方法。在第一种方法中，我们近似的变化后的PDF的基础上的已知参数，如相互相干的传感矩阵和信号方差的界限。在第二种方法中，我们参数化后的变化PDF与未知参数，并尝试使用随机梯度下降法自适应地估计这个参数。在这两种方法中，我们采用了具有各种决策统计量（如观测值的能量、与传感矩阵列的相关值以及此类相关性的最大值）的CRAMUM算法。我们研究了这些方法的性能，并提供见解的相关性，不同的决策统计在不同的SNR制度。我们还解决了问题，设计传感矩阵与小的相干性，通过使用量子信息理论的设计。一个这样的设计，称为SIC POVM，也有一个额外的结构，即使当稀疏信号的支持集是未知的，它允许精确计算的一些决策统计的变化后的PDF。我们将我们的检测算法与SIC POVM为基础的序列的大规模随机接入问题，并显示其优越的性能比传统的黄金码。
2019-01-24 eess.SP
Trajectory PHD Filter with Unknown Detection Profile and Clutter Rate
在本文中，我们推导出鲁棒TPHD（R-TPHD）滤波器，它可以自适应学习未知的检测剖面历史和杂波率。通过最小化Kullback-Leibler散度（KLD），在混合和增广状态空间上获得轨迹上的最佳Poisson后验密度近似，得到R-TPHD滤波器.由于巨大的计算负担和短期稳定的检测轮廓，我们还提出了R-TPHD滤波器与未知的检测轮廓只有在当前时间作为近似。提出了一种基于Beta高斯混合模型的BG-R-TPHD滤波器的实现方法，并提出了一种计算量较小的BG-R-TPHD滤波器的L扫描近似方法。
2021-11-06 eess.SP
