[论文解读] High-dimensional change-point detection with sparse alternatives

Farida Enikeeva, Zaïd Harchaoui|arXiv (Cornell University)|Dec 6, 2013

Advanced Statistical Process Monitoring参考文献 5被引用 21

一句话总结

该论文提出了一种适用于稀疏替代情形的高维变点检测方法，其中仅少数分量发生变化。该方法结合线性扫描统计量与分量扫描统计量，高效检测高斯序列中的变点，在维度 d 和样本量 n 同时趋于无穷的双渐近框架下实现速率最优性。

ABSTRACT

We consider the problem of detecting a change in mean in a sequence of Gaussian vectors. Under the alternative hypothesis, the change occurs only in some subset of the components of the vector. We propose a test of the presence of a change-point that is adaptive to the number of changing components. Under the assumption that the vector dimension tends to infinity and the length of the sequence grows slower than the dimension of the signal, we obtain the detection boundary for this problem and prove its rate-optimality.

研究动机与目标

• 解决在仅少数分量发生变化的高维高斯向量中检测变点的挑战。
• 开发一种能自适应未知稀疏性（即变化分量数量）和未知变点位置的检验方法。
• 在维度 d 和样本量 n 同时趋于无穷的双渐近框架下，建立检测边界。
• 证明所提出的检验方法在速率上是最优的，且计算效率高，时间复杂度接近线性。
• 在高维设定下，提供在稀疏性约束下的最小最大可分性问题的理论保证。

提出的方法

• 提出一种检验统计量，结合线性扫描统计量（联合评估所有分量）与分量扫描统计量（在分量子集上搜索）。
• 在变化分量集合上使用伯努利先验，推导后验集中性与风险界。
• 利用二次型的偏差不等式（引理 8）控制检验统计量的尾部行为。
• 在信号范数与 √(p) 成比例、且 n 的增长速度慢于 d 的假设下，通过最小最大风险分析建立检测边界。
• 推导似然比的二阶矩界，以验证检测可分性。
• 采用两阶段检验程序：首先通过扫描统计量估计变点位置，然后应用线性组合以增强检验功效。

实验结果

研究问题

• RQ1 当仅少数分量发生变化时，高维变点检测的最小最大检测边界是什么？
• RQ2 能否构造一种检验方法，使其同时自适应未知的变化分量数量与未知的变点位置？
• RQ3 检测边界如何依赖于稀疏性水平 p 和信号强度 ∥Δθτ∥？
• RQ4 在双渐近尺度下，检测高维序列中稀疏变化的最优收敛速率是什么？
• RQ5 尽管问题具有组合性质，所提出的检验方法是否仍可高效计算？

主要发现

• 检测边界由条件 ∥Δθτ∥² ≳ √(p) × √(n) × h(τ) 描述，其中 h(τ) 反映变点位置与信号强度的影响。
• 所提出的检验方法达到速率最优性，即其性能与稀疏高维情形下的最小最大下界一致。
• 检验统计量的计算时间复杂度接近线性，与问题维度成正比，具有良好的可扩展性。
• 在 d → ∞ 且 n ≪ d 的双渐近框架下，当信号强度超过检测边界时，检验的渐近功效趋近于 1。
• 该方法能自适应未知稀疏性 p 与未知变点位置 τ，在所有此类配置下均实现最优检测性能。
• 理论分析表明，当原假设成立时，似然比的二阶矩收敛于 1，从而确保检验的一致性与与备择假设的可分性。