[論文レビュー] Optimal nonparametric change point detection and localization

Oscar Hernán Madrid Padilla, Yi Yu+2 more|arXiv (Cornell University)|May 24, 2019

Statistical Methods and Inference参考文献 40被引用数 21

ひとこと要約

本稿では、各時刻点における独立同分布の標本を想定した完全非パラメトリックな設定下で、コルモゴロフ＝スミルノフ統計量を用いた非パrametricな変動点検出および局在化手法を提案する。これは、二分法分割とワイルド二分法分割を一般化したものであり、ほぼミニマックス最適な一致性レートを確立し、一貫した局在化が可能な統計的条件を決定するモデルパラメータにおけるフェーズ遷移を特定する。

ABSTRACT

We study change point detection and localization for univariate data in fully nonparametric settings in which, at each time point, we acquire an i.i.d. sample from an unknown distribution. We quantify the magnitude of the distributional changes at the change points using the Kolmogorov--Smirnov distance. We allow all the relevant parameters -- the minimal spacing between two consecutive change points, the minimal magnitude of the changes in the Kolmogorov--Smirnov distance, and the number of sample points collected at each time point -- to change with the length of time series. We generalize the renowned binary segmentation (e.g. Scott and Knott, 1974) algorithm and its variant, the wild binary segmentation of Fryzlewicz (2014), both originally designed for univariate mean change point detection problems, to our nonparametric settings and exhibit rates of consistency for both of them. In particular, we prove that the procedure based on wild binary segmentation is nearly minimax rate-optimal. We further demonstrate a phase transition in the space of model parameters that separates parameter combinations for which consistent localization is possible from the ones for which this task is statistical unfeasible. Finally, we provide extensive numerical experiments to support our theory. R code is available at https://github.com/hernanmp/NWBS.

研究の動機と目的

• パラメトリックな分布仮定に依存しない完全非パラメトリックな変動点検出および局在化手法の開発を目的とする。
• コルモゴロフ＝スミルノフ距離を分布的変化の尺度として用いることで、二分法分割およびワイルド二分法分割を非パラメトリックな設定に一般化することを目的とする。
• 異なる標本サイズおよび変動点構成の下での変動点検出における理論的一貫性および最適レートの確立を目的とする。
• 一貫した局在化が統計的に可能かどうかを決定するモデルパラメータにおけるフェーズ遷移を特定することを目的とする。
• 理論的保証が保証され、広範な数値実験によって裏付けられる計算効率の良いアルゴリズムの提供を目的とする。

提案手法

• 変動点における分布的変化を特定するため、コルモゴロフ＝スミルノフ（KS）距離を用い、累積分布関数の非パラメトリックな比較を可能にする。
• KS統計量を用いて分布的シフトを検出・局在化する手法として、二分法分割およびワイルド二分法分割のアルゴリズムを非パラメトリックな設定に適応する。
• 偽陽性を制御し一貫性を確保するため、データに依存するしきい値 λ = C log(n₁:T) を用いたペナルティ付きCUSUM型統計量を採用する。
• 標本サイズおよび変動点間隔の弱い正則性条件の下で高確率で成立するイベント 𝒜 に基づく条件付き解析フレームワークを導入する。
• 候補となる変動点に対してマルチスケールテスト戦略を適用し、KS統計量を用いて区間間の経験分布を比較する。
• 適切な信号対雑音比の条件下で、真の変動点が高確率で回復されるように、ワイルド二分法分割におけるネスト型選択機構を適用する。

実験結果

リサーチクエスチョン

• RQ1 コルモゴロフ＝スミルノフ統計量を用いることで、二分法分割およびワイルド二分法分割を非パラメトリックな変動点検出に一般化できるか？
• RQ2 異なる標本サイズおよび分布的変化の下での非パラメトリックな変動点検出における一貫性および最適性レートは何か？
• RQ3 一貫した局在化が統計的に可能かどうかを決定するモデルパラメータ空間におけるフェーズ遷移は存在するか？
• RQ4 Zouら（2014）のような既存の非パラメトリック手法と比較して、本手法の理論的保証および有限標本性能はどのように異なるか？
• RQ5 一般非パラメトリックな条件下で、本手法はほぼミニマックス最適な局在化レートを達成できるか？

主な発見

• ワイルド二分法分割に基づく手順は、コルモゴロフ＝スミルノフ距離の下で、変動点局在化についてほぼミニマックス最適な一貫性レートを達成する。
• 一貫した局在化は、信号強度 κ が κ ≥ cτ,2κδ¹ᐟ²nₘᵢₙ³ᐟ²/nₘₐₓ を満たす場合にのみ可能であり、そうでない場合には統計的に不可能である。
• 本手法は、最小標本サイズおよび信号強度に依存するが、高確率で Cεκ⁻²ₖ log(n₁:T)n₉ₘₐₓn⁻¹⁰ₘᵢₙ の局在化誤差で抑えられる。
• パrameter空間にフェーズ遷移が存在する：一貫した局在化は、最小間隔 δ と信号サイズ κ が nₘᵢₙ および nₘₐₓ を含むしきい値条件を満たす場合にのみ可能である。
• 時系列長 T に応じて、各時刻点の標本数、最小間隔、変動の大きさがスケーリングする一般的な条件下で、理論的保証が成立する。
• 数値実験により理論的結果が確認され、多様なシミュレーション状況において優れた経験的性能を示している。