[论文解读] Consistency of a range of penalised cost approaches for detecting multiple changepoints

Chao Zheng, Idris A. Eckley+1 more|arXiv (Cornell University)|Nov 5, 2019

Complex Systems and Time Series Analysis参考文献 4被引用 4

一句话总结

本文为多重变点检测中的惩罚代价方法建立了一个通用的理论框架，表明估计变点数量和位置的一致性仅取决于局部区域（无变化或一个变点）的行为。主要贡献在于为多种变点模型提供了一组简单且统一的一致性条件，包括对变化斜率模型的更弱惩罚要求，以及首次为脉冲加衰减检测方法提供了理论一致性结果。

ABSTRACT

A common approach to detect multiple changepoints is to minimise a measure of data fit plus a penalty that is linear in the number of changepoints. This paper shows that the general finite sample behaviour of such a method can be related to its behaviour when analysing data with either none or one changepoint. This results in simpler conditions for verifying whether the method will consistently estimate the number and locations of the changepoints. We apply and demonstrate the usefulness of this result for a range of changepoint problems. Our new results include a weaker condition on the choice of penalty required to have consistency in a change-in-slope model; and the first results for the accuracy of recently-proposed methods for detecting spikes.

研究动机与目标

• 开发一个通用的理论框架，用于评估惩罚代价方法在多重变点检测中的一致性。
• 通过证明在多个变点情况下性能仅由局部区域（零个或一个变点）的行为决定，降低验证一致性的复杂度。
• 为包括斜率变化和脉冲加指数衰减信号在内的多种变点模型，提供最小且可验证的一致性条件。
• 为最近提出的检测脉冲信号的方法首次建立理论一致性结果。
• 通过推导更弱的一致性估计条件，放宽现有惩罚要求，特别是针对变化斜率模型。

提出的方法

• 提出一个通用的惩罚代价框架，其中总代价为数据拟合度量（按段可加）与变点数量线性相关的惩罚之和。
• 引入“局部区域”的概念——即包含零个或一个变点的数据段——以简化一致性分析。
• 证明：若惩罚代价方法在局部区域中能一致估计变点数量，则在附加正则性条件下，其在多个变点情况下也具有一致性。
• 推导出局部区域内变化可检测性的条件，这些条件足以确保多重变点估计的全局一致性。
• 将该框架应用于具体模型：斜率变化模型、脉冲加指数衰减模型以及均值变化模型，分别验证了各类模型中局部区域的条件。
• 使用集中不等式（如次高斯尾部界）和邦弗伦尼校正，控制有限样本中错误检测概率。

实验结果

研究问题

• RQ1 能否将惩罚代价方法在多重变点检测中的一致性，简化为分析其在无变点或一个变点的局部区域中的行为？
• RQ2 对惩罚和信号可检测性的最小条件是什么，才能确保对多重变点数量和位置的一致估计？
• RQ3 与现有结果相比，是否可以弱化变化斜率模型的惩罚要求？
• RQ4 是否存在对检测具有指数衰减的脉冲信号的理论一致性保证？
• RQ5 如何应用该通用框架，在最小假设下验证多种变点模型中的一致性？

主要发现

• 惩罚代价方法在多重变点检测中的一致性，完全由其在局部区域（无变点或一个变点）中的行为决定，显著简化了理论验证。
• 对于斜率变化模型，本文推导出的惩罚条件弱于以往已知结果，提升了实际适用性。
• 首次为最近提出的检测具有指数衰减的脉冲信号的方法提供了理论一致性结果。
• 该框架通过在局部区域验证可检测性条件，实现了对多种变点模型的统一处理。
• 通过使用有限样本集中不等式和邦弗伦尼校正，界定了错误检测概率，从而导出了对惩罚水平的显式条件。
• 结果表明，在一大类模型中，只要惩罚项增长快于 log n，即可保证一致性，与一般模型选择原则一致。