[論文レビュー] Consistent detection and optimal localization of all detectable change points in piecewise stationary arbitrarily sparse network-sequences

Sharmodeep Bhattacharyya, Shirshendu Chatterjee+1 more|arXiv (Cornell University)|Sep 4, 2020

Data-Driven Disease Surveillance参考文献 40被引用数 4

ひとこと要約

本稿では、スパースで一様に定常なネットワーク系列に対して、事前のスパarsityや変化点数、最小間隔に関する制約なしに、一貫したオフラインの変化点検出および局在化手法を提案する。この手法は、隣接行列に適応的トリミングを施したCUSUM統計量を用い、ネットワークサイズや平均次数の最小限の漸近的条件のもとで、すべての検出可能な変化点を一貫して検出可能であり、最適な局在化を達成する。

ABSTRACT

We consider the offline change point detection and localization problem in the context of piecewise stationary networks, where the observable is a finite sequence of networks. We develop algorithms involving some suitably modified CUSUM statistics based on adaptively trimmed adjacency matrices of the observed networks for both detection and localization of single or multiple change points present in the input data. We provide rigorous theoretical analysis and finite sample estimates evaluating the performance of the proposed methods when the input (finite sequence of networks) is generated from an inhomogeneous random graph model, where the change points are characterized by the change in the mean adjacency matrix. We show that the proposed algorithms can detect (resp. localize) all change points, where the change in the expected adjacency matrix is above the minimax detectability (resp. localizability) threshold, consistently without any a priori assumption about (a) a lower bound for the sparsity of the underlying networks, (b) an upper bound for the number of change points, and (c) a lower bound for the separation between successive change points, provided either the minimum separation between successive pairs of change points or the average degree of the underlying networks goes to infinity arbitrarily slowly. We also prove that the above condition is necessary to have consistency.

研究の動機と目的

• スパースで一様に定常なネットワーク系列における変化点の検出および局在化を、スパarsityや変化点数、最小間隔に関する事前仮定なしに実現する挑戦に応える。
• 理論的裏付けを有する手法を開発し、ネットワーク系列におけるすべての検出可能な変化点の一致した検出と最適な局在化を保証する。
• 変化が平均隣接行列のシフトによって定義される非定常ランダムグラフモデルのもとで、有限標本における性能保証を提供する。
• 一貫性のための必要十分条件を確立し、平均次数または変化点間隔の漸近的挙動に関して、提案された条件がタイトであることを示す。
• シミュレーテッドデータセットを用いた実験的評価により、既存手法に比べ優れた性能を示す。

提案手法

• 古典的なCUSUM統計量を改良し、ノイズ低減と構造的変化への感受性向上を図るために、隣接行列に適応的トリミングを適用する。
• 2段階のアルゴリズムを採用：まずスライディングウィンドウ上で変更されたCUSUMスキャンにより変化点を検出し、次に区間ベース推定を用いて局在化を精緻化する。
• 検出感度と局在化精度を制御するため、カフディアン（cushion）長さと区間長さ（κ と Λ）を導入する。安定性のため Λ ≤ κ を満たす。
• 局在化精度を決定する重要な量として、信号強度 S(Q) を定義する。値が大きいほど、より高精度な局在化が可能になる。
• 集中不等式とスペクトルノルムを用いて推定誤差をバインドし、局在化偏差の高確率境界を導出する。
• アルゴリズム2でワイルドバイナリセグメンテーションを適用し、複数の変化点を再帰的に検出する。すべての K 個の変化点が高確率で回復可能であるという理論的保証を提供する。

実験結果

リサーチクエスチョン

• RQ1 スパースで一様に定常なネットワーク系列において、スパarsity や変化点間隔に関する事前知識なしに、変化点の検出と局在化を一貫して行うことは可能か？
• RQ2 このようなネットワーク系列における変化点の一致した検出と局在化に必要な最小信号強度は何か？
• RQ3 本手法の性能は、ネットワークサイズ、平均次数、および変化点間隔にどのように依存するか？
• RQ4 平均次数の漸近的成長または最小間隔に関する本手法の条件は、一貫性のための必要不可欠条件か？
• RQ5 ノード数やネットワーク密度の下限を仮定しない状況でも、最適な局在化誤差を達成できるか？

主な発見

• 信号強度 S(Q) が √(d / (Λ ∧ κ)) × √(ζ + log(|L|)/log(n)) に比例する閾値を超える場合、本手法は高確率ですべての変化点を一貫して検出可能である。
• 局在化誤差は高確率で O(Λ × (C₁ + c₁Ψμ) / S(Q)) × √(d / (Λ ∧ κ)) でバインドされ、信号強度が高くなるほど改善する。
• 変化点間隔の最小値または平均次数が無限にゆっくりと増加する場合、事前の仮定なしに一貫性が達成される。
• 複数の変化点検出において、κ > g(Q) かつ S(Q) ≥ (C₁ + c₁Ψμ) × √(d / (κ) × (ζ + log(M)/log(n))) であることは、一貫性のための十分かつ必要条件である。
• 実験的評価により、シミュレーテッドスパースネットワーク系列において、既存手法に比べて検出精度と局在化精度の両面で優れた性能を示した。
• 上記の条件下で、変化点数 K が未知かつ無限であっても、すべての K 個の変化点を高確率で正確に回復可能である。