[論文レビュー] Minimax Optimal Sequential Hypothesis Tests for Markov Processes

Michael Fauß, Abdelhak M. Zoubir+1 more|arXiv (Cornell University)|Nov 10, 2018

Advanced Statistical Process Monitoring参考文献 58被引用数 3

ひとこと要約

本稿は、分布的不確実性下でのマルコフ過程に対するミニマックス最適逐次仮説検定を構築し、逐次検定の効率性とモデル不一致に対するロバスト性を統合する。最小限の仮定のもとで、厳密なミニマックス最適性の十分条件を確立し、データに依存する一般化 f-不一致に基づき、最も不利な分布を同定することで、不確実なモデルを有する時間的制約のある応用におけるロバストで効率的な意思決定を可能にする。

ABSTRACT

Under mild Markov assumptions, sufficient conditions for strict minimax optimality of sequential tests for multiple hypotheses under distributional uncertainty are derived. First, the design of optimal sequential tests for simple hypotheses is revisited and it is shown that the partial derivatives of the corresponding cost function are closely related to the performance metrics of the underlying sequential test. Second, an implicit characterization of the least favorable distributions for a given testing policy is stated. By combining the results on optimal sequential tests and least favorable distributions, sufficient conditions for a sequential test to be minimax optimal under general distributional uncertainties are obtained. The cost function of the minimax optimal test is further identified as a generalized $f$-dissimilarity and the least favorable distributions as those that are most similar with respect to this dissimilarity. Numerical examples for minimax optimal sequential tests under different uncertainties illustrate the theoretical results.

研究の動機と目的

• 分布的不確実性下でのマルコフ過程における複数の仮説に対するミニマックス最適逐次検定を開発すること。
• 古典的逐次検定がモデル不一致下で性能を低下させるという限界を克服するため、設計段階にロバスト性を統合すること。
• 逐次検定の枠組み内でキエーファー＝ウエイズ問題とロバスト検出を統合すること。
• データに依存する重みを伴う一般化 f-不一致の下で、最も類似した分布として最も不利益な分布を同定すること。
• 数値的妥当性検証を伴う、ミニマックス最適検定の実用的設計手法を提供すること。

提案手法

• やや弱いマルコフ仮定と一般化された分布的不確実性の下で、厳密なミニマックス最適性の十分条件を導出する。
• 複数の単純仮説に対する最適逐次検定を再考し、コスト関数の偏微分と性能指標を関連付ける。
• 最も不利益な分布を暗黙的（implicit）に同定し、それがデータに依存する重み付けの下で元の過程がマルコフ的になる場合に生じることを示す。
• ミニマックス最適検定のコスト関数を一般化 f-不一致として特定し、最も不利益な分布がこの測度の下で最も類似していることを示す。
• 双対性とサドルポイント条件を用いた実用的設計手法を提案し、数値例による検証を実施する。
• ミニマックス最適性と双対変数および制約付き誤差確率を含むサドルポイント解との等価性を確立する。

実験結果

リサーチクエスチョン

• RQ1 マルコフ過程における分布的不確実性下で、複数の仮説に対する逐次検定がミニマックス最適であるための条件は何か？
• RQ2 モデル不確実性を伴う逐次仮説検定の文脈において、最も不利益な分布はどのように特徴づけられるか？
• RQ3 ミニマックス枠組みにおいて、最も不利益な分布の同定を支配する統計的類似性測度は何か？
• RQ4 データに依存する重みは、逐次検定のロバスト性と最適性にどのように影響するか？
• RQ5 ミニマックス最適検定は実用的に設計可能か？また、モデル不一致下で古典的手法と比べてどのように異なるか？

主な発見

• 弱いマルコフ仮定と一般化された分布的不確実性の下で、逐次検定に対する厳密なミニマックス最適性の十分条件が導出された。
• ミニマックス最適検定が、コスト関数の性能指標を用いて暗黙的に特徴づけられる最も不利益な分布に対して最適であることが示された。
• 最も不利益な分布は、データと検定方針に依存する重みを伴う一般化 f-不一致の下で最も類似している分布として特定された。
• ミニマックス最適検定のコスト関数が正式に一般化 f-不一致として特定され、ロバスト性に統計的根拠が与えられた。
• 数値例により、提案手法がモデル不一致下でも期待される実行長を低く抑え、誤り確率を制御できることを示した。
• 本フレームワークによりキエーファー＝ウエイズ問題とロバスト検出が統合され、双対性とサドルポイント解析を用いてミニマックス最適逐次検定を導出可能であることが示された。