[论文解读] Adaptive KDE for Real-Time Thresholding: Prioritized Queues for Financial Crime Investigation

Danny Butvinik, Nana Boateng+1 more|arXiv (Cornell University)|Jan 20, 2026

Network Traffic and Congestion Control被引用 0

一句话总结

本文提出一种以密度锚定的在线自适应 KDE 框架，将流式风险分数通过对密度谷的捕捉转换为稳定、具容量感知的阈值，从而在非平稳分布下实现多队列路由。

ABSTRACT

We study the problem of converting a continuous stream of risk scores into stable decision thresholds under non-stationary score distributions. This problem arises in a wide range of detection systems where scores must be partitioned into prioritized processing regions while preserving semantic consistency over time.

研究动机与目标

• 形式化在流式、非平稳分布下单队列和多队列路由的密度锚定阈值化。
• 开发适用于流式分数数据的在线自适应 KDE，含边界修正。
• 识别持久的密度谷作为自然且可解释的阈值锚，以确保稳定的进入。
• 将容量约束纳入以引导阈值放置，同时保持分数单调性。
• 在容量遵循、积压行为和运行时方面评估运营性能。

提出的方法

• 将分数 s 置于 [0,1]，在固定网格上使用边界反射的 Epanechnikov KDE 估计 f。
• 使用带滑动窗口或指数衰退的在线更新规则，通过 Abramson’s rule 更新 f 和带宽 h。
• 将估计密度的局部最小值识别为阈值放置的谷地候选。
• 将密度转换为尾部质量曲线以推导容量对齐的截断，并在不同带宽下将阈值捕捉到最近的持久谷地。
• 通过滞后效应、最小支撑 guards 以及可选的区间内微调来实现稳定性，以达到精确容量。
• 通过选择满足单独容量目标且在队列内保持分数单调性的谷地对，扩展到多阈值设置。

Figure 1: Visual Depiction of Method

实验结果

研究问题

• RQ1 如何在没有标签的情况下，将流式分数分布转化为稳定、具容量感知的阈值？
• RQ2 密度谷地能否作为鲁棒且可解释的锚点，用于单队列和多队列在漂移下的阈值化？
• RQ3 在线 KDE 参数（窗口大小、遗忘因子、带宽更新）对容量遵循和阈值稳定性有何影响？
• RQ4 与传统分位数或前 K 方法相比，谷地捕捉对积压和队列动态有何影响？
• RQ5 该框架是否可扩展到具有每项活动分布的多-BA 设置，同时保持单调性？

主要发现

• 通过对谷地进行捕捉实现容量一致的阈值，从而降低由于分布漂移带来的进入敏感性。
• 带边界修正的在线自适应 KDE 实现了稳定、无需标签的阈值化，适用于实时路由。
• 跨带宽的谷地持久性提供了鲁棒的阈值锚，限制阈值抖动。
• 该方法在保持队列内分数单调性的同时，支持单阈值和多阈值设置。
• 在合成漂移流上的实验显示出具有竞争力的容量跟踪、可控的积压和运行时表现。
• 每事件更新的时间复杂度为 O(G)，每个业务活动的内存为 O(G)。

Figure 2: The illustration shows a single panel with histogram(density), fixed-bandwith Epanechnikov KDE with boundary reflection, and Adaptative of KDE(Abrahamson)