[논문 리뷰] Quickest Search Over Multiple Sequences with Mixed Observations

Jun Geng, Weiyu Xu외 1명|arXiv (Cornell University)|2013. 02. 15.

Advanced Statistical Process Monitoring참고 문헌 17인용 수 4

한 줄 요약

이 논문은 관측값이 서로 다른 수열의 표본들로 이루어진 선형 조합일 수 있는 다수의 수열에 대해 두 단계로 구성된 빠른 탐색 전략을 제안한다. 이는 희귀 분포 $F_1$에 의해 생성된 수열을 더 빨리 식별할 수 있도록 한다. 혼합 관측값을 사용하여 스캔 단계에서 비대상 수열을 효율적으로 제거하고, 두 번째 단계에서 선택을 정밀화함으로써 검색 지연을 크게 줄인다. 특히 $F_1$가 희귀할 경우에 효과적이며, 단일 관측 전략 대비 최대 40% 빠른 탐지 성능을 달성한다.

ABSTRACT

The problem of sequentially finding an independent and identically distributed (i.i.d.) sequence that is drawn from a probability distribution $F_1$ by searching over multiple sequences, some of which are drawn from $F_1$ and the others of which are drawn from a different distribution $F_0$, is considered. The sensor is allowed to take one observation at a time. It has been shown in a recent work that if each observation comes from one sequence, Cumulative Sum (CUSUM) test is optimal. In this paper, we propose a new approach in which each observation can be a linear combination of samples from multiple sequences. The test has two stages. In the first stage, namely scanning stage, one takes a linear combination of a pair of sequences with the hope of scanning through sequences that are unlikely to be generated from $F_1$ and quickly identifying a pair of sequences such that at least one of them is highly likely to be generated by $F_1$. In the second stage, namely refinement stage, one examines the pair identified from the first stage more closely and picks one sequence to be the final sequence. The problem under this setup belongs to a class of multiple stopping time problems. In particular, it is an ordered two concatenated Markov stopping time problem. We obtain the optimal solution using the tools from the multiple stopping time theory. Numerical simulation results show that this search strategy can significantly reduce the searching time, especially when $F_{1}$ is rare.

연구 동기 및 목표

• 다양한 수열들 중에서 희귀 분포 $F_1$에 의해 생성된 수열을 신속하게 식별하는 문제를 다루는 것.
• 단일 수열 관측이 아닌, 다수 수열의 표본들로부터의 선형 조합 관측을 允허하여 검색 효율을 향상시키는 것.
• 제약된 오류 확률 조건 하에 검색 지연과 오류 확률의 선형 조합을 최소화하는 것.
• 두 단계 순차 탐색 과정에 대해 다중 정지 시점 이론을 활용한 최적 전략을 개발하는 것.

제안 방법

• 이 방법은 혼합 관측을 사용하는 스캔 단계와 단일 수열 관측을 사용하는 정밀화 단계로 구성된 두 단계 과정을 사용한다.
• 스캔 단계에서는 두 수열의 선형 조합을 취하여 둘 다 $F_0$에서 유래할 가능성이 높은지 테스트한다; 만약 그렇다면 둘 다 제거된다.
• 스캔 단계는 후행 확률 기반으로 적어도 하나의 수열이 $F_1$에서 유래할 가능성이 높다는 충분한 신뢰도를 확보했을 때 종료된다.
• 정밀화 단계에서는 후보 쌍에 대해 CUSUM 유사 테스트를 적용하여 $F_1$에서 유래할 가능성이 가장 높은 수열을 선택함으로써 오류 확률을 최소화한다.
• 최적 정지 시점과 전환 규칙은 순서화된 두 개의 연결된 마르코프 정지 시점 이론을 사용하여 유도된다.
• 최적 의사결정 규칙은 정밀화 단계에서 $F_1$에 의해 생성될 가능성이 더 높은 수열을 선택한다.

실험 결과

연구 질문

• RQ1 다양한 수열의 관측값을 선형 조합으로 사용할 경우, 희귀 $F_1$ 수열에 대한 빠른 탐색 효율성이 향상되는가?
• RQ2 검색 지연과 오류 확률 간의 트레이드오프를 최소화하기 위해 스캔 단계와 정밀화 단계는 어떻게 설계되어야 하는가?
• RQ3 혼합 관측이 허용될 경우 스캔 단계의 최적 정지 및 전환 규칙는 무엇인가?
• RQ4 혼합 관측 전략은 단일 관측 전략에 비해 검색 지연과 오류 성능 측면에서 어떻게 비교되는가?
• RQ5 마르코프 상태 역학을 갖는 두 단계 순차 탐색에서 최적 정책의 구조는 어떠한가?

주요 결과

• 희귀한 $F_1$일 경우 제안된 혼합 관측 전략은 단일 관측 전략 대비 약 40% 빠른 검색 지연을 달성한다.
• 스캔 단계의 최적 정지 규칙은 후행 확률 $p^{1,1}$과 $p^{mix}$에 의존하는 영역 기반 규칙이며, 적어도 하나의 $F_1$ 수열에 대한 신뢰도가 높아질 때 정지된다.
• 스캔 단계의 최적 전환 규칙 역시 영역 기반이며, 둘 다 $F_0$에서 유래할 가능성이 높을 경우 수열 교체를 유도한다.
• 정밀화 단계의 최적 정지 시점은 오류 기대 비용이 향후 비용 이하로 내려갈 때 도달되며, 이는 최소 지연과 최소 오류를 보장한다.
• 비용 함수 $V_s(p^{1,1}, p^{mix})$ 는 볼록이며 상한이 존재하며, 평탄한 영역은 전환 영역 $R_\theta$ 와 대응하여 유도된 정책의 최적성 확인된다.
• 수치 결과는 전제 확률이 낮을 때($\pi = 0.05$)와 신호 대 잡음비(SNR)가 높을 때 전략이 가장 우수하며, SNR이 증가할수록 성능이 향상됨을 확인한다.