[論文レビュー] Optimal network online change point localisation

Yi Yu, Oscar Hernán Madrid Padilla+2 more|arXiv (Cornell University)|Jan 14, 2021

Advanced Statistical Process Monitoring参考文献 31被引用数 9

ひとこと要約

本稿は、隣接行列を用いた動的ネットワークにおける計算効率の良いオンライン変化点検出手法を提案し、検出遅延におけるミニマックス最適性を確立する。2つの多項式時間アルゴリズムを導入し、異なるタイプI誤検出制御を実現しており、検出遅延が $\lesssim \log(\Delta/\alpha) \cdot r / (\kappa_0^2 n \rho) $ に近似的に最適化され、理論的下界と対数要因を除いて一致する。

ABSTRACT

We study the problem of online network change point detection. In this setting, a collection of independent Bernoulli networks is collected sequentially, and the underlying distributions change when a change point occurs. The goal is to detect the change point as quickly as possible, if it exists, subject to a constraint on the number or probability of false alarms. In this paper, on the detection delay, we establish a minimax lower bound and two upper bounds based on NP-hard algorithms and polynomial-time algorithms, i.e., \[ \mbox{detection delay} \begin{cases} \gtrsim \log(1/α) \frac{\max\{r^2/n, \, 1\}}{κ_0^2 n ρ},\\ \lesssim \log(Δ/α) \frac{\max\{r^2/n, \, \log(r)\}}{κ_0^2 n ρ}, & \mbox{with NP-hard algorithms},\\ \lesssim \log(Δ/α) \frac{r}{κ_0^2 n ρ}, & \mbox{with polynomial-time algorithms}, \end{cases} \] where $κ_0, n, ρ, r$ and $α$ are the normalised jump size, network size, entrywise sparsity, rank sparsity and the overall Type-I error upper bound. All the model parameters are allowed to vary as $Δ$, the location of the change point, diverges. The polynomial-time algorithms are novel procedures that we propose in this paper, designed for quick detection under two different forms of Type-I error control. The first is based on controlling the overall probability of a false alarm when there are no change points, and the second is based on specifying a lower bound on the expected time of the first false alarm. Extensive experiments show that, under different scenarios and the aforementioned forms of Type-I error control, our proposed approaches outperform state-of-the-art methods.

研究の動機と目的

• オンライン変化点検出におけるランダムネットワーク隣接行列の系列に対する理論的分析の不足に対処すること。
• ランクスパarsityとネットワーク構造を組み込んだネットワーク変化点検出における検出遅延のミニマックス下界を確立すること。
• 2つの異なるタイプI誤検出制御戦略に従い、近似的に最適な検出遅延を達成する計算的に効率的なアルゴリズムを開発すること。
• 実世界のネットワークデータを用いた広範な数値実験を通じて、提案手法を最先端手法と比較検証すること。

提案手法

• 独立なベルヌーイ隣接行列の逐次観測に基づく、新しいネットワークオンライン変化点検出フレームワークを提案。
• 正規化されたジャンプサイズ $\kappa_0$、ネットワークサイズ $n$、スパarsity $\rho$、ランクスパarsity $r$、タイプI誤検出率 $\alpha$ に依存する検出遅延のミニマックス下界を導出。
• 全体の誤警報確率を制御するか、期待される最初の誤警報までの時間を下限付けるかという2つの異なる戦略を採用した多項式時間検出アルゴリズムを導入。
• 行列内積に基づく尤度比検定とサブガウス型集中不等式を用いてミニマックス下界を導出。
• ホフディングの不等式とモーメント生成関数の境界を用いて、下界導出における尾確率を制御。
• MITの携帯電話相互作用データセットを用いた実験により理論的予想を検証し、競合手法よりも先んじて休憩期間を検出。

実験結果

リサーチクエスチョン

• RQ1 動的ネットワークにおけるオンライン変化点検出の検出遅延の根本的限界（ミニマックス下界）は何か？
• RQ2 多項式時間アルゴリズムは、ネットワーク変化点検出において近似的にミニマックス検出遅延を達成できるか？
• RQ3 全体の誤警報確率と最初の誤警報までの期待時間という2つの異なるタイプI誤検出制御戦略が、検出性能に与える影響は何か？
• RQ4 ランクスパarsity $r$ とネットワークスパarsity $\rho$ は、ミニマックス意味での検出遅延にどのように影響を与えるか？
• RQ5 提案手法は、季節的行動などの実世界のネットワークシフトを、既存の最先端手法よりも早く検出できるか？

主な発見

• 検出遅延のミニマックス下界は $\gtrsim \log(1/\alpha) \cdot \max\{r^2/n, 1\} / (\kappa_0^2 n \rho)$ であり、問題の根本的限界を確立する。
• 提案された多項式時間アルゴリズムは、検出遅延が $\lesssim \log(\Delta/\alpha) \cdot r / (\kappa_0^2 n \rho)$ に抑えられ、下界と対数要因を除いて一致する。
• MITの携帯電話データにおいて、2004年12月27日と2005年3月31日に変化点を検出しており、競合手法が2005年1月30日と4月6日と検出するのを上回る性能を示した。
• 理論的分析により、$r \gtrsim \sqrt{n}$ のとき下界がタイトであることが確認され、提案手法の最適性が裏付けられた。
• 提案アルゴリズムは、多様なネットワーク状況において、高速な検出を達成しながらも、強力なタイプI誤検出制御を維持している。
• 本研究は、ランクスパarsity $r$ と正規化されたジャンプサイズ $\kappa_0$ が、検出遅延を決定づける重要な要因であることを示した。$r$ や $\kappa_0$ が大きいほど、より速い検出が可能となる。