[論文レビュー] First-order optimal sequential subspace change-point detection

Liyan Xie, George V. Moustakides+1 more|arXiv (Cornell University)|Jun 28, 2018

Advanced Statistical Process Monitoring参考文献 8被引用数 4

ひとこと要約

本稿では、変化が低ランク部分空間構造に現れる高次元ストリーミングデータにおける変化点の逐次検出のためのSubspace-CUSUM手順を提案する。CUSUM統計量と適応的部分空間推定、最適パラメータチューニングを組み合わせることで、第一階漸近的最適性を達成する。これは、平均運転長が増加するにつれて、完全に事前・事後変化パラメータを把握している理想のCUSUM検出器の期待検出遅れに収束することを意味する。

ABSTRACT

We consider the sequential change-point detection problem of detecting changes that are characterized by a subspace structure. Such changes are frequent in high-dimensional streaming data altering the form of the corresponding covariance matrix. In this work we present a Subspace-CUSUM procedure and demonstrate its first-order asymptotic optimality properties for the case where the subspace structure is unknown and needs to be simultaneously estimated. To achieve this goal we develop a suitable analytical methodology that includes a proper parameter optimization for the proposed detection scheme. Numerical simulations corroborate our theoretical findings.

研究の動機と目的

• 変化が低ランク部分空間構造に起因する高次元ストリーミングデータにおける構造的変化（特に共分散行列の変化）の検出という課題に取り組む。
• 未知の部分空間方向や信号強度に対して頑健な逐次検出手法を開発する。
• 変化パラメータを完全に把握している理想のCUSUM検出器に対する期待検出遅れを最小化することで、第一階漸近的最適性を達成する。
• 平均運転長の制約下で、検出速度と誤検出制御のバランスを取る最適化されたウィンドウサイズとドリフトパラメータを用いた実用的でオンラインの検出スキームを提供する。

提案手法

• データを推定された部分空間に射影した上でのCUSUM統計量を適用することで、共分散構造の変化を検出するSubspace-CUSUM手順を提案する。
• 部分空間推定と残差の累積和の計算に、サイズ $ w $ のスライディングウィンドウを用い、感度を制御するドリフトパラメータ $ d $ を導入する。
• 漸近的解析を用いて、平均運転長 $ \gamma $ の関数としてウィンドウサイズ $ w $ とドリフト $ d $ を最適化し、最適性を保証する。
• 直交射影を用いてスイッチング部分空間問題を出現部分空間問題に変換することで、検出性能を維持しつつ解析を単純化する。
• 大標本近似とラプラス法を用いて期待検出遅れ（EDD）を導出し、$ \gamma $、$ \rho $、$ k $ の関数としてEDDの解析的表現を得る。
• 平均運転長 $ \gamma \to \infty $ のとき、Subspace-CUSUMと理想のCUSUMのEDD比が1に収束することを示すことにより、第一階漸近的最適性を確立する。

実験結果

リサーチクエスチョン

• RQ1 未知の部分空間に対して、構造的共分散変化に対して効果的かつ漸近的に最適な逐次変化点検出手順を設計することは可能か？
• RQ2 固定された平均運転長制約下で、期待検出遅れを最小化するために、ウィンドウサイズとドリフトパラメータをどのように選択すべきか？
• RQ3 Subspace-CUSUM手順は第一階漸近的最適性を達成するか？すなわち、平均運転長が増加するにつれて、その検出遅れ比が理想のCUSUMに1に収束するか？
• RQ4 有限標本設定において、Subspace-CUSUMの性能は、最大固有値検定や正確なCUSUMといった代替手法と比べてどうなるか？

主な発見

• Subspace-CUSUM手順は第一階漸近的最適性を達成する：平均運転長 $ \gamma \to \infty $ のとき、その期待検出遅れと理想のCUSUM検出器の期待検出遅れの比は1に収束する。
• 最適ウィンドウサイズは $ w^* = \sqrt{\log \gamma} \cdot \frac{\sqrt{2(k-1)}}{\rho - \log(1+\rho)} (1+o(1)) $ であり、$ \gamma $ に従って増加する。これにより漸近的最適性が保証される。
• Subspace-CUSUMの期待検出遅れは $ \mathbb{E}_0[\mathcal{T}_{\rm C}] = \frac{2\log\gamma(1+o(1))}{(1+\rho)(1 - \frac{k-1}{w^*\rho}) - 1 - \log[(1+\rho)(1 - \frac{k-1}{w^*\rho})]} + w^* $ であり、理想のCUSUMとの比は1に収束する。
• 数値シミュレーションにより、最適化された $ w $ を用いたSubspace-CUSUMは、最大固有値法を著しく上回り、理想のCUSUMに近い性能を達成することが確認された。
• EDD比が1に収束する一方で、Subspace-CUSUMと理想のCUSUMとのEDDの絶対差は $ \Theta(\sqrt{\log \gamma}) $ のオーダーで増大する。これは、相対的ギャップが非ゼロではあるが、徐々に小さくなることを示している。