[論文レビュー] Finite Sample Size Optimality of GLR Tests

George V. Moustakides|ArXiv.org|Mar 23, 2009

Geophysical Methods and Applications参考文献 16被引用数 28

ひとこと要約

本稿では、有限標本サイズにおける最適性を達成するために、ネイマン＝ピアソン基準とベイズ基準を統合した共同検出・推定フレームワークを提案する。理論的に、広く用いられている汎用尤度比（GLR）検定が、この統合的定式化のもとで最適であることを証明し、その広範な使用に対する理論的基盤を提供するとともに、変化点検出やMIMOレーダーのターゲット局在化といった問題に対して、新たな検出・推定構造を導入する。

ABSTRACT

In several interesting applications one is faced with the problem of simultaneous binary hypothesis testing and parameter estimation. Although such joint problems are not infrequent, there exist no systematic analysis in the literature that treats them effectively. Existing approaches consider the detection and the estimation subproblems separately, applying in each case the corresponding optimum strategy. As it turns out the overall scheme is not necessarily optimum since the criteria used for the two parts are usually incompatible. In this article we propose a mathematical setup that considers the two problems jointly. Specifically we propose a meaningful combination of the Neyman-Pearson and the Bayesian criterion and we provide the optimum solution for the joint problem. In the resulting optimum scheme the two parts interact with each other, producing detection/estimation structures that are completely novel. Notable side-product of our work is the proof that the well known GLR test is finite-sample-size optimum under this combined sense.

研究の動機と目的

• 既存の文献における同時二項仮説検定とパラメータ推定のための体系的取り扱いの欠如に対処する。
• 従来のアプローチが別個に扱うのとは異なり、検出と推定の両方が同等の重要性を持つ共同検出・推定問題を定式化する。
• 有限標本サイズにおける最適性を達成するため、ネイマン＝ピアソン（検出）とベイズ（推定）基準を統合した包括的な数学的フレームワークを構築する。
• GLR検定がこの共同基準のもとで最適であることを示し、その有限標本サイズにおける性能に関する長年の曖昧さを解消する。
• 後向きの変化点検出やターゲット局在化といった実用的問題に対して、新たな検出および推定構造を導出する。

提案手法

• ベイズ枠組みのもとで、検出誤差と推定誤差を統合した組み合わせコスト関数を最小化する共同意思決定ルールを定式化する。
• ベイズの定理と未知パラメータに関する周辺化を適用し、最適な検出および推定ルールを導出する。
• 各仮説下での周辺密度間の尤度比を用いて、最適な検出器を構築する。
• 推定誤差が有界である（例：|τ̂ − τ| ≤ m）ことを許容する一般化されたコスト関数を導入し、滑らかにした検出統計量を導出する。
• 古典的なCUSUM統計量に代わる、不確実性下でのロバストな推定を最適化する新しい検定統計量 ̄S_N を導出する。
• パラメータが未知の場合に、変化点に一様事前分布を仮定することで、この共同基準のもとで証明可能に最適なGLR型検定が得られる。

実験結果

リサーチクエスチョン

• RQ1 有限標本設定において、検出と推定を同等の目的として扱う包括的フレームワークを構築できるか？
• RQ2 広く用いられている汎用尤度比（GLR）検定は、共同検出・推定基準のもとで有限標本サイズで最適か？
• RQ3 推定誤差を検出フレームワークに組み込む方法は何か？ その方法は最適性を保ちつつ、実装可能性を確保できるか？
• RQ4 MAPに基づくコスト関数の代わりに、他の推定コスト関数（例：平均絶対誤差）を用いた場合、どのような新たな検出・推定構造が生じるか？
• RQ5 推定の不確実性を扱えるようにGLR検定を一般化できるか？ 例えば、変化点局在化における推定誤差を許容できるか？

主な発見

• 提案された共同検出・推定フレームワークのもとで、GLR検定が有限標本サイズで最適であることが証明され、その最適性に関する以前の懸念が解消された。
• 最適な検出器と推定器は、検出と推定の意思決定が相互に作用する結合構造として導出され、新たな意思決定ルールのクラスが得られた。
• 推定誤差が有界である（例：|τ̂ − τ| ≤ m）場合、古典的なCUSUMを一般化し、GLR検定とは異なる新しい統計量 ̄S_N が導出された。
• 変化点に一様事前分布を仮定した場合、得られる検定 ̄S_N は、推定誤差に対するロバストネスを向上させる新たなGLR型検定であることが示され、古典的なCUSUMを上回る性能を示した。
• 提案されたフレームワークは、検出と局在化の両方が重要となるMIMOレーダーのターゲット検出・局在化問題へとGLR検定を一般化して適用できることを示した。
• 理論的に、推定不確実性下での性能向上を実現するCUSUM法の原理的代替を提供し、後向きの変化点検出において優れた性能を発揮した。