[论文解读] Bayesian Methods for Multiple Change-Point Detection with Reduced Communication

Eyal Nitzan, Topi Halme+1 more|arXiv (Cornell University)|Mar 24, 2020

Advanced Statistical Process Monitoring参考文献 52被引用 15

一句话总结

本文提出两种贝叶斯序贯变化点检测方法——S-MAP 和 IS-MAP——用于大规模传感器网络且通信资源受限的场景。通过仅监控具有最高变化点后验概率的传感器，该方法在控制错误发现率（FDR）于指定阈值之内的同时，最小化检测延迟。主要贡献在于理论证明了两种方法均能保持 FDR 控制，并实现不随传感器数量增长的可扩展平均检测延迟（ADD），即使在通信资源有限的条件下亦成立。

ABSTRACT

In many modern applications, large-scale sensor networks are used to perform statistical inference tasks. In this paper, we propose Bayesian methods for multiple change-point detection using a sensor network in which a fusion center (FC) can receive a data stream from each sensor. Due to communication limitations, the FC monitors only a subset of the sensors at each time slot. Since the number of change points can be high, we adopt the false discovery rate (FDR) criterion for controlling the rate of false alarms, while minimizing the average detection delay (ADD). We propose two Bayesian detection procedures that handle the communication limitations by monitoring the subset of the sensors with the highest posterior probabilities of change points having occurred. This monitoring policy aims to minimize the delay between the occurrence of each change point and its declaration using the corresponding posterior probabilities. One of the proposed procedures is more conservative than the second one in terms of having lower FDR at the expense of higher ADD. It is analytically shown that both procedures control the FDR under a specified tolerated level and are also scalable in the sense that they attain an ADD that does not increase asymptotically with the number of sensors. In addition, it is demonstrated that the proposed detection procedures are useful for trading off between reduced ADD and reduced average number of observations drawn until discovery. Numerical simulations are conducted for validating the analytical results and for demonstrating the properties of the proposed procedures.

研究动机与目标

• 为解决大规模传感器网络中通信带宽限制导致每次时间槽仅能监控有限传感器数量时的多变化点检测挑战。
• 在通信约束下，开发贝叶斯检测方法，以最小化平均检测延迟（ADD），同时严格控制错误发现率（FDR）。
• 通过证明所提方法的 ADD 不随传感器数量的渐近增长，确保方法的可扩展性。
• 研究仅在每次时间槽监控部分传感器时，降低检测延迟与最小化平均观测数（ANO）之间的权衡。

提出的方法

• S-MAP 方法在每个时间槽基于变化点信念的贝叶斯更新，选择后验概率最高的传感器子集作为变化点候选。
• IS-MAP 方法在 S-MAP 的基础上改进，采用更低的检测阈值，以降低 ADD，代价是略微提高 FDR，但仍保持 FDR 控制。
• 两种方法均采用序贯后验概率更新，并基于对变化点发生后验概率的阈值判断来设定停止规则。
• 利用全期望定律并借助条件概率界，理论证明了 FDR 控制。
• 在变化点服从几何先验的假设下，对渐近 ADD 进行分析，推导出与传感器数量无关的上下界。
• 通过仿真评估方法，验证理论结果，并探索 ADD 与 ANO（平均观测数）之间的权衡。

实验结果

研究问题

• RQ1 在通信受限的大规模传感器网络中，贝叶斯变化点检测能否实现可扩展性，使得检测延迟不随传感器数量增长？
• RQ2 在通信受限条件下，如何在序贯贝叶斯多变化点检测框架中对错误发现率（FDR）进行理论控制？
• RQ3 当每次时间槽仅监控部分传感器时，最小化平均检测延迟（ADD）与最小化平均观测数（ANO）之间的权衡是什么？
• RQ4 更具攻击性的检测方法（IS-MAP）能否在保持 FDR 控制的前提下，实现低于保守方法（S-MAP）的 ADD？

主要发现

• S-MAP 和 IS-MAP 两种方法在指定容差水平 α 下，理论上保证了 FDR 控制，即使在通信受限条件下亦成立。
• 两种方法的渐近平均检测延迟（ADD）保持有界，且不随传感器数量增加，证明了其可扩展性。
• IS-MAP 通过采用更低的检测阈值，实现了比 S-MAP 更低的 ADD，其渐近 ADD 的改进程度可定量刻画。
• 仿真结果表明，仅观测少量传感器（例如 q = 0.3）即可显著减少平均观测数（ANO），同时保持较低的 ADD。
• 最优的 ADD 与 ANO 权衡出现在小观测比例 q ≪ 1 处，而非 q = 1，证明了选择性监控的优势。
• 理论分析表明，IS-MAP 的 ADD 上界比 S-MAP 更紧，且两者均与传感器索引 k 无关，证实了在所有数据流上性能的均匀性。