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 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 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 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
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 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
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 Detection Of Deviations From Periodic Statistical Behavior
本文提出了一类新的随机过程，称为独立周期同分布（i.p.i.d.）过程被定义为捕获周期性变化的统计行为。提出了算法来检测这种ipid的变化。流程.结果表明，该算法可以递归计算，是渐近最优的。这个问题在流量数据、社交网络数据和神经数据中的异常检测中有应用，其中已经观察到周期性统计行为。
2018-10-30 cs.IT eess.SP math.IT
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
Quickest Detection over Sensor Networks with Unknown Post-Change Distribution
我们提出了一个最快的变化检测问题，传感器网络中的传感器的子集正在发生变化和局部变化后的分布是未知的。网络中的每个传感器在有限的字母表上观察局部离散时间随机过程。初始时，观测值是独立同分布（i.i.d.）的。已知的变化前分布独立于其它传感器。在固定但未知的变化点处，传感器的固定但未知的子集经历变化并开始观察来自未知分布的样本。我们假设可以使用分布空间上的凹（或凸）局部统计量来量化变化。我们提出了一个渐近最优的和计算易处理的停时Lorden的标准。在这种情况下，我们提出的方法使用凹的全球累积和（CIMUM）统计融合中心和抑制最有可能的虚警使用信息投影。最后，我们给出了一些数值模拟的结果，我们的算法所描述的问题。
2021-02-09 cs.IT eess.SP math.IT
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
On the Fundamental Tradeoff of Joint Communication and Quickest Change Detection with State-Independent Data Channels
该研究率先探究集成感知通信场景下通信与最快变化检测的信息论权衡，构建对应问题模型，提出基于恒定子块组成码和SCS检测规则的内界及匹配的部分逆定理，验证其渐近最优性并给出多类信道的权衡示例。
2024-10-10 cs.IT eess.SP math.IT
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
Bayesian Quickest Change Detection of an Intruder in Acknowledgments for Private Remote State Estimation
对于地理上分离的信息物理系统，远程监视或控制站点处的状态估计对于确保系统的稳定性和可靠性是重要的。通常出于安全或商业原因，有必要确保过程状态和控制信息的机密性。当前感兴趣的主题是机密国家信息的私人传输。许多传输编码方案依赖于可能易受来自对手的干扰的干扰。我们考虑一个隐形入侵者，有选择地阻止窃听，使窃听者获得一个可靠的状态估计击败编码方案。我们利用贝叶斯最快变化检测技术，快速检测在线入侵者在远程发射机和接收机的存在。
2022-12-16 cs.IT cs.SY 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
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
Quickest Change Detection with Cost-Constrained Experiment Design
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
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
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
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 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 for Human-Sensor Systems using Quantum Decision Theory
在数学心理学中，最近的人类决策模型使用量子决策理论来捕捉重要的以人为中心的特征，如顺序效应和违反确定性原则（全概率定律）。我们构建并分析了一个人类传感器系统，其中最快的检测器旨在通过观察受状态影响的人类决策来检测潜在状态的变化。除了为这种人体传感器系统提供一个分析框架外，我们还分析了最快检测策略的结构。我们表明，最快的检测策略有一个单一的阈值和最佳成本是下界的经典最快的检测器。这表明，中间人的决定严格阻碍检测性能。我们还分析了最快检测成本相对于人类决策者的量子决策参数的敏感性，揭示了性能对决策过程的不准确知识具有鲁棒性。数值结果表明，观察更合理的决策者的决定将提高最快的检测性能。最后，我们说明了这个最快的检测器的囚徒困境问题的背景下，它已被观察到，量子决策理论可以唯一的模型经验测试违反肯定的事情原则的数值实现。
2022-08-18 cs.SY eess.SP eess.SY
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 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 Point Detection with Measurements over a Lossy Link
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
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
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
Quickest Detection of Dynamic Events in Networks
研究了网络中动态事件的快速检测问题。在某个未知的时间，一个事件发生，网络中的许多节点受到该事件的影响，因为它们的观测统计数据发生了变化。假设事件是动态的，因为它可以沿着网络中的边缘传播，并且随着时间的推移影响越来越多的节点。假设事件传播动力学是未知的。我们的目标是设计一个顺序算法，可以检测到一个“重大”事件，即，当事件影响不少于$η$节点时，尽可能快，同时控制虚警率。首先研究了全连通网络，然后将结果推广到任意连通网络。所设计的算法被证明是自适应的未知的传播动力学，和他们的一阶渐近最优证明的虚警率为零。该算法可以在每个时间步的网络规模上以线性计算复杂度实现，这对于在线实现至关重要。数值模拟验证了理论结果。
2018-07-16 cs.IT eess.SP math.IT
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
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
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
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
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
