[論文レビュー] Quickest Change Detection

Venugopal V. Veeravalli, Taposh Banerjee|arXiv (Cornell University)|Oct 19, 2012

Advanced Statistical Process Monitoring被引用数 16

ひとこと要約

本論文は、確率過程における急激な変化を早期に検出するための理論的枠組みについて包括的なレビューを提供する。特に、ベイズ的およびミニマックス的定式化を焦点とし、i.i.d.および非i.i.d.モデルにおける最適および漸近的最適な検出アルゴリズム（例えば、シルヤエフ法およびCuSum手順）を確立している。応用分野は、工学、バイオ医療システム、ネットワークセキュリティにわたり広がる。

ABSTRACT

The problem of detecting changes in the statistical properties of a stochastic system and time series arises in various branches of science and engineering. It has a wide spectrum of important applications ranging from machine monitoring to biomedical signal processing. In all of these applications the observations being monitored undergo a change in distribution in response to a change or anomaly in the environment, and the goal is to detect the change as quickly as possibly, subject to false alarm constraints. In this chapter, two formulations of the quickest change detection problem, Bayesian and minimax, are introduced, and optimal or asymptotically optimal solutions to these formulations are discussed. Then some generalizations and extensions of the quickest change detection problem are described. The chapter is concluded with a discussion of applications and open issues.

研究の動機と目的

• 統計的性質の変化を、誤報制約のもとで可能な限り早期に検出する問題を形式化すること。
• 迅速な変化検出におけるベイズ的およびミニマックス的定式化を比較・対比し、その最適性の性質を強調すること。
• 古典的手法（例：シルヤエフ法、CuSum）を非i.i.i.d.および部分観測設定に拡張し、漸近的最適性を確立すること。
• 一時的変化、変化の伝搬、複数の変化点、分散型検出における社会的学習といった、新たな課題を特定・議論すること。
• 同期遅延や同時分類といった実用的制約下での変化検出における今後の研究の道筋を提示すること。

提案手法

• 変化点が幾何分布に従う確率的変化点を仮定するベイズ的定式化と、未知で非確率的変化点を仮定するミニマックス的定式化の2つの主要フレームワークを用いて、迅速な変化検出問題を定式化する。
• ベイズ的定式化下で最適なシルヤエフ法を導入し、誤報制約のもとで期待検出遅延を最小化する。
• ミニマックス解としてCuSum（累積和）手順を適用し、平均誤報時間制約のもとで最悪ケースの検出遅延を最小化する。
• 尤度比に基づく統計量と漸近的最適性解析を用いて、非i.i.i.d.プロセスへの検出手法の一般化を行う。
• 事後分布が未知の場合の変化検出に向け、一般化尤度比（GLR）および混合型テストを提案する。
• 通信制約を伴うセンサーネットワークにおける、分散型およびネットワーキング環境への理論の拡張を行い、漸近的最適検出を分析する。

実験結果

リサーチクエスチョン

• RQ1 迅速な変化検出におけるベイズ的およびミニマックス的定式化の理論的基盤および最適性の性質は何か？
• RQ2 シルヤエフ法およびCuSum手順は、非i.i.i.d.プロセスおよび未知の事後分布に対してどのように適合可能か？
• RQ3 一般化尤度比および混合型テストの漸近的領域における性能保証は何か？
• RQ4 センサーネットワークにおける同期遅延および情報非対称性は、検出性能および設計にどのように影響を与えるか？
• RQ5 変化を一時的または伝搬的であるとモデル化することの意味は何か、恒久的であると仮定するのと比べて？

主な発見

• シルヤエフ法は、変化点に幾何的事前分布を仮定したベイズ的迅速変化検出問題において最適であり、期待検出遅延を最小化する。
• CuSum手順はミニマックス的に最適であり、平均誤報時間制約のもとで最悪ケースの検出遅延を最小化する。
• 一般化尤度比（GLR）および混合型テストは、事後分布が未知の場合、弱い正則性条件のもとで一様に漸近的最適である。
• シルヤエフおよびCuSum型手順の漸近的最適性は、マルコフおよび隠れマルコフモデルを含む非i.i.i.d.プロセスへと拡張可能である。
• データ効率の良い検出アルゴリズムは、古典的手法と同等の漸近的性能を達成でき、観測コストの低減を可能にする。
• 今後の研究の方向性には、一時的変化の検出、変化の伝搬モデル化、ネットワークにおける複数の変化点、制限付き情報共有を伴う社会的学習ベース検出が含まれる。