[论文解读] A review on minimax rates in change point detection and localisation

Yi Yu|arXiv (Cornell University)|Nov 3, 2020

Statistical Methods and Inference参考文献 170被引用 12

一句话总结

本文综述了在单变量和高维设定下，变化点检测与定位的极小极大最优速率，涵盖参数与非参数模型。它建立了基本的检测与定位极限，表明惩罚性方法在对数因子范围内可实现近乎最优的定位误差，并指出了非参数设定下的开放问题，特别是与再生核希尔伯特空间（reproducing kernel Hilbert spaces）及信噪比阈值相关的问题。

ABSTRACT

This paper reviews recent developments in fundamental limits and optimal algorithms for change point analysis. We focus on minimax optimal rates in change point detection and localisation, in both parametric and nonparametric models. We start with the univariate mean change point analysis problem and review the state-of-the-art results in the literature. We then move on to more complex data types and investigate general principles behind the optimal procedures that lead to minimax rate-optimal results.

研究动机与目标

• 建立变化点分析中基本的极小极大检测与定位极限。
• 区分检测与定位作为具有不同最优性准则的独立统计目标。
• 回顾能够同时在检测与定位中实现近乎最优性能的计算高效算法。
• 识别非参数变化点检测中的开放问题，特别是在再生核希尔伯特空间方面。
• 考察信噪比（κ/√∆）在决定一致变化点估计可行性中的作用。

提出的方法

• 使用极小极大风险分析，推导各类模型中检测与定位的基本下界。
• 应用一种惩罚性分段算法（算法1），通过在区间上使用可分损失函数，实现近乎最优的定位。
• 将损失函数定义为区间特定残差之和，并加入对分段数量的惩罚项。
• 通过基于核的损失函数，将方法推广至非参数设定，特别是在再生核希尔伯特空间中。
• 采用豪斯多夫距离来衡量变化点定位估计器的准确性。
• 考虑不同的范数（ℓ2、Frobenius、算子范数、RKHS）和距离（柯尔莫哥洛夫-斯米尔诺夫距离、上确界范数），以定义信噪比。

实验结果

研究问题

• RQ1 在单变量均值变化点问题中，极小极大检测与定位速率是什么？
• RQ2 检测与定位极限有何不同？能否同时实现？
• RQ3 惩罚性分段方法是否能在非参数模型中实现近乎最优的定位误差？
• RQ4 信噪比（κ/√∆）在决定一致变化点估计可行性的角色是什么？
• RQ5 使用再生核希尔伯特空间进行非参数变化点检测的基本极限是什么？

主要发现

• 极小极大检测边界在 κ/√∆ ≍ 1 处表现出相变，低于此值时一致检测不可能实现。
• 对于单变量均值变化问题，检测与定位边界在对数因子范围内一致。
• 惩罚性分段算法实现的定位误差在极小极大最优速率的对数因子范围内。
• 在非参数设定下，如柯尔莫哥洛夫-斯米尔诺夫距离或基于RKHS的距离，可达到与参数模型相同的速率，但仅在函数空间的复杂度受有界性假设约束时成立。
• 本文推测，对于索伯列夫空间 Wα,2 且 α > 1/2 的情形，检测边界应为 O(T−α/(2α+1))，定位速率为 O(T−2α/(2α+1))，但该结论仍为开放问题。
• 该综述指出，在线变化点检测与检验，以及超越对数间隙的精确极小极大速率，仍基本未被探索。