[論文レビュー] Sequential change-point detection in high-dimensional Gaussian graphical models

Hossein Keshavarz, George Michailidis+1 more|arXiv (Cornell University)|Jun 20, 2018

Mental Health Research Topics参考文献 22被引用数 15

ひとこと要約

本稿では、ノードごとの条件付き対数尤度の逐次モニタリングを用いて、高次元ガウスグラフィカルモデルの逆共分散行列における急激な変化を検出するスケーラブルなオンラインアルゴリズムを提案する。この手法は、スパarsityと高次元性の下でも低遅延を達成し、統計的検出力も維持する。グラフサイズ、標本サイズ、トポロジカル変化に関する弱い正則性条件の下で理論的保証が得られる。

ABSTRACT

High dimensional piecewise stationary graphical models represent a versatile class for modelling time varying networks arising in diverse application areas, including biology, economics, and social sciences. There has been recent work in offline detection and estimation of regime changes in the topology of sparse graphical models. However, the online setting remains largely unexplored, despite its high relevance to applications in sensor networks and other engineering monitoring systems, as well as financial markets. To that end, this work introduces a novel scalable online algorithm for detecting an unknown number of abrupt changes in the inverse covariance matrix of sparse Gaussian graphical models with small delay. The proposed algorithm is based upon monitoring the conditional log-likelihood of all nodes in the network and can be extended to a large class of continuous and discrete graphical models. We also investigate asymptotic properties of our procedure under certain mild regularity conditions on the graph size, sparsity level, number of samples, and pre- and post-changes in the topology of the network. Numerical works on both synthetic and real data illustrate the good performance of the proposed methodology both in terms of computational and statistical efficiency across numerous experimental settings.

研究の動機と目的

• データが逐次的に到着する状況において、高次元時変ネットワークにおけるスケーラブルなオンライン変化点検出手法の不足を補う。
• 未知の数の急激な変化を、最小限の検出遅延で、スパースガウスグラフィカルモデルの精度行列に対して検出可能な計算効率の高いアルゴリズムを開発する。
• グラフサイズ、スパarsity、標本サイズ、変化前後におけるトポロジカル差の弱い正則性条件の下で、手順の理論的一貫性を確立する。
• 疑似尤度近似を用いて、ガウスモデルを超える広範な連続的および離散的グラフィカルモデルへの一般化を実現する。
• ファイナンス、生物学、センサーネットワーク応用における合成データおよび実世界データの実験を通じて、実用的有効性を示す。

提案手法

• ガウスグラフィカルモデルの局所的マークフ・性質を活用し、ネットワーク内各ノードの条件付き対数尤度のモニタリングに基づく逐次的変化点検出フレームワークを提案する。
• 結合尤度を分解するために疑似尤度近似を用い、高次元設定下でのスケーラブルな計算を可能にする。
• ストリーミングデータのリアルタイム処理を可能にするミニバッチ更新戦略を実装し、計算コストを低減しながら検出精度を保持する。
• 対数尤度の偏差の累積和に基づく検定統計量を定義し、時間経過とともに変化を検出する。
• 検定統計量にしきい値ルールを適用し、変化が検出された際にアラームを発動する。しきい値は、誤検出率を制御するようにキャリブレーションされる。
• 有界な固有値および精度行列のスパarsity制約の下で、検出手順の漸近的性質を導出する。

実験結果

リサーチクエスチョン

• RQ1 高次元ガウスグラフィカルモデルの逆共分散行列における複数の急激な変化を、低遅延かつ高検出力でオンラインで検出可能か？
• RQ2 スパarsityおよび標本サイズの異なる水準下で、提案手法の検出遅延および誤検出率はどのように変化するか？
• RQ3 次元および標本サイズが増大する際、逐次的検出手順が一貫性を保つ理論的条件は何か？
• RQ4 ガウス分布を超える指数型分布族に属するグラフィカルモデルへ、この手法をどの程度一般化できるか？
• RQ5 ストリーミングデータにおける計算効率および検出精度の観点から、従来のオフライン変化点検出手法と比較して、このアルゴリズムはどのように差をつけるか？

主な発見

• 提案されたアルゴリズムは、変数の数が標本サイズを上回る高次元設定下でも、低検出遅延を達成する。
• 理論的分析により、最小固有値の有界性および精度行列のスパarsityを含む弱い正則性条件の下で、手順の一貫性が保証される。
• 合成データ上の数値実験により、スパarsityおよび変化の大きさの多様な設定において、低誤検出率と高検出力を維持していることが確認された。
• fMRIやファイナンス時系列といった実世界の応用において、既知の構造的変更（例：市場崩壊）を最小限のラグで的確に検出できた。
• ミニバッチ更新機構により、大規模ストリーミングデータの効率的処理が可能となり、センサーネットワークや金融システムにおけるリアルタイム監視に適している。
• 対数尤度和の比に関する理論的境界により、変化が構造的に有意である場合、微小な摂動に対しても精度行列の変化に敏感であることが示された。