Asymptotically Optimal Pointwise and Minimax Quickest Change-point Detection for Dependent Data
我们认为最快的变点检测问题在逐点和极大极小设置一般相关的数据模型。两个新的类的顺序检测程序与最大的“本地”的一个假警报的概率在一段时间内的一些固定长度的介绍。对于这些类别的检测程序,我们考虑两个流行的风险:预期的积极部分的延迟检测和条件延迟检测。在非常一般的条件下的观察,我们表明,流行的Shiryaev-罗伯茨过程是渐近最优的,作为局部的虚警概率为零,相对于这些风险逐点(均匀的每一个可能的点的变化),并在极大极小意义上(相对于最大的变化点的预期检测延迟)。这些条件是根据“变化”和“无变化”假设之间对数似然比的强大数律的收敛速率来制定的,具体地说,是归一化对数似然比到一个正数和有限数的均匀全收敛。我们还开发了工具和一组充分条件的一致全收敛的一大类马尔可夫过程的验证。这些工具是基于浓度不等式的功能的马尔可夫过程和Meyn-Tweedie几何遍历论。最后,我们检查这些充分条件的一些具有挑战性的例子(时间序列)经常出现在应用程序中,如自回归,自回归高斯等。
2016-01-15 math.ST stat.TH
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
Multi-stream Quickest Change Detection: Foundations and Recent Advances
Aalto University(阿尔托大学)
本文综述了高维多传感器系统中快速变化检测的最新进展,重点解决结构约束和有限传感资源下的挑战,介绍了利用稀疏性等方法处理高维性、采样约束以及多流检测问题,并讨论了机器学习在未知概率模型或大规模系统中的应用。
2026-04-20 cs.IT math.IT math.ST
Asymptotically Optimal Quickest Change Detection In Multistream Data - Part 1: General Stochastic Models
假设有多个数据流(通道,传感器),在每个流中,感兴趣的过程通常产生相关和非相同分布的观察。当过程处于正常模式(受控)时,(变更前)分布是已知的,但当过程变得异常时,存在参数不确定性,即,改变后(失控)分布仅部分地已知直到参数。变更点和变更后参数都是未知的。此外,该改变影响流的未知子集,使得受影响的流的数量和它们的位置预先是未知的。一个好的变点检测程序应该在变化发生后尽快检测到变化,同时控制误报的风险。我们认为贝叶斯设置与给定的先验分布的变化点,并提出了两个顺序的混合为基础的变化检测规则,一个混合的Shiryaev型统计在两个未知的子集受影响的流和未知的变化后的参数,另一个混合的Shiryaev-罗伯茨型统计。这些规则概括了Tartakovsky(2018)在单流情况下研究的混合检测过程。我们提供了充分条件下,建议的多流变化检测程序是一阶渐近最优的时刻检测的延迟作为虚警的概率接近零。
2018-07-24 math.PR math.ST stat.TH
Quickest Detection for Changes in Maximal kNN Coherence of Random Matrices
本文讨论了基于具有单个未知变化点的矩阵观测序列的$n\times p$随机矩阵列间最大相干性变化的最快检测问题。假设随机矩阵具有相同分布的行,并且最大相干性被定义为与任何行相关联的最大$p \choose 2$相关系数。同样,$k$最近邻(kNN)相干性被定义为这些相关系数中的第$k$大。假设观测矩阵的变化前和变化后分布的形式属于具有稀疏色散矩阵的椭圆轮廓密度的家族,但在其他方面是未知的。提出了一种非参数停止规则,该规则基于每个观测随机矩阵的列之间的最大k-最近邻样本相干性。这是一个汇总统计量,与样本相关性图中是否存在度至少为$k$的中心顶点的检验相关。在纯高维的制度,其中$p\rightarrow \infty$和$n$是固定的性能界限上的延迟和虚警性能的建议停止规则。当变化前的色散矩阵是对角的,它表明,在所有的功能,建议的汇总统计量,建议的停止规则是渐近最优的最小最快变化检测(QCD)模型下的停止阈值接近无穷大。该理论也适用于序贯假设检验和固定样本量检验。
2018-04-30 cs.IT math.IT math.PR
Bayesian Quickest Detection of Propagating Spatial Events
Aalto University(阿尔托大学)
在许多现代应用中,快速检测通过传感器网络传播的空间事件是广泛关注的。特别是在通信、雷达、物联网、环境监测和生物监测中,我们可能会观察到传播场或粒子。在本文中,我们提出了贝叶斯连续的单点和多个变化点检测程序,快速检测这种现象。使用一个动态规划框架,我们推导出的结构的最佳单事件最快的检测过程中,最小化的平均检测延迟(ADD)的虚警概率上界。多传感器系统配置是任意的,传感器可以是移动的。在罕见事件制度,最佳程序收敛到一个更实际的阈值测试的后验概率的变化点。利用空间事件的传播特性,导出了该后验概率的一种方便的递归计算方法。在渐近条件下分析了后验概率门限检验的ADD,并在检测受路径损耗影响的随机高斯信号的情况下进行了具体分析。然后,我们展示了如何提出的程序是很容易扩展到检测多个传播的空间事件并行在多个假设检验设置。提出了一种提供严格的错误发现率(FDR)控制的方法。在模拟部分中,它表明,利用事件的空间属性减少ADD相比,不利用此信息的程序,即使在模型失配。
2022-06-27 cs.IT math.IT math.ST
Quickest detection in coupled systems
这项工作考虑的问题,最快的检测信号的耦合系统中的$N$传感器,从环境中接收连续的顺序观察。它是假设的信号,这是由一般伊藤过程建模,耦合跨传感器,但其发病时间可能会有所不同,从传感器到传感器。考虑两种主要情况;在第一种情况下,信号强度在传感器之间是相同的,而在第二种情况下,它们相差一个常数。目标是系统中的任何传感器接收信号的第一时间的最佳检测。该问题被配制成一个随机最优化问题,其中扩展的最小Kullback-Leibler发散准则被用作检测延迟的测量,与第一个虚警的平均时间的约束。考虑了传感器采用累积和策略的情况,证明了当到达第一个虚警的平均时间无限增加时,$N$累积和的最小值是渐近最优的.特别地,在传感器之间的信号强度相等的情况下,可以看出,随着到第一假警报的平均时间无限制地增加,$N$ -$N$ -UM停止规则和未知的最优停止方案的检测延迟的差趋向于与传感器的数量相关的常数。可替换地,在信号强度不相等的情况下,可以看出该差趋于零。
2014-03-16 cs.IT math.IT math.OC
Quickest Change Detection with Controlled Sensing
本文研究了参数不确定与受控感知下的最快变化检测问题,提出基于自适应CuSum统计量的WCC方法,通过近期观测估计参数并最大化Kullback-Leibler散度选择动作,在Lorden极小化极大准则下证明其一阶渐近最优性。
2023-10-26 cs.IT math.IT math.ST
High Probability Latency Sequential Change Detection over an Unknown Finite Horizon
针对未知有限时域上的快速变化检测问题,提出一种阈值随时间对数增长的CuSum检验变体,并推导信息论下界以证明其渐近最优性,实验验证了性能。
2024-09-18 cs.DS cs.SY eess.SY
Optimal Sequential Detection of Signals with Unknown Appearance and Disappearance Points in Time
Moscow Institute of Physics and Technology(莫斯科物理技术学院);AGT StatConsult(AGT统计咨询公司);Université de Technologie de Troyes(特鲁瓦技术大学)
本文讨论了一个连续的变点检测问题,假设变化的持续时间可能是有限的和未知的。该问题对于许多应用是重要的,例如,用于信号和图像处理,其中信号在时间或空间中的未知点出现和消失。与传统的最快变化检测的最优性标准,需要最小化的预期延迟检测一个给定的平均游程长度的虚警,我们专注于一个可靠的最大最小变化检测标准,最大化的最小检测概率在给定的时间(或空间)窗口中的一个给定的局部最大概率的虚警在规定的窗口。我们表明,最佳的检测程序是一个修改的CRACUUM程序。然后,我们比较操作特性的最佳程序与流行的工程有限移动平均(FMA)检测算法和普通的CRAMUM程序使用Monte Carlo模拟,这表明,通常后者的算法具有几乎相同的性能作为最佳的。与此同时,FMA过程有一个很大的优点--与信号强度无关,而信号强度通常是未知的。最后,将FMA算法应用于光学图像中卫星的微弱条纹检测。
2021-04-02 cs.LG math.ST stat.TH
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) Joint Detection and Estimation: Classic Results and New Directions
Technische Universität Darmstadt(达姆施塔特工业大学)
本文概述联合检测与估计问题,介绍其经典方法、序贯框架下的相关方法,通过数值示例说明最优方法的优势,并探讨该领域的开放问题与未来方向。
2026-08-28 cs.IT eess.SP math.IT
Sequential online subsampling for thinning experimental designs
我们考虑一个设计问题,其中实验条件(设计点$X_i$)以i.i.d.序列的形式呈现。随机变量,用未知的概率测度$μ$生成,并且只能选择给定的比例$α\in(0,1)$。目标是在运行中选择好的候选$X_i$,并最大化相应信息矩阵的凹函数$Φ$。最优解对应于最优有界设计测度$ξ_α^*\leq μ/α$的构造,其困难在于$μ$是未知的,而$ξ_α^*$必须在线构造.所提出的构造依赖于在当前信息矩阵处对$Φ$的方向导数的阈值$τ$的定义,$τ$的值由该方向导数的分布的某个分位数固定。与递归分位数估计相结合,得到一种非线性双时间尺度随机逼近方法。它可以应用于很长的设计序列,因为只有当前的信息矩阵和估计的分位数需要存储。收敛到一个最优设计证明。各种说明性的例子。
2020-08-04 math.ST stat.CO stat.ME
Online Inference of Constrained Optimization: Primal-Dual Optimality and Sequential Quadratic Programming
本文提出了一种全新的在线序列二次规划方法,用于解决具有等式和不等式约束的随机优化问题,实现了对偶渐近最小最大最优性,无需投影运算。
2025-11-27 cs.LG math.OC math.ST