[论文解读] Identifying the Support of Rectangular Signals in Gaussian Noise

Jiyao Kou|arXiv (Cornell University)|Mar 18, 2017

Bayesian Methods and Mixture Models参考文献 21被引用 6

一句话总结

本文提出了一种计算高效、无需参数的惩罚扫描方法，用于在序列长度多项式增长的单变量和多变量高斯噪声中识别矩形块信号的支持集。该方法实现了渐近最优性，并证明了即使当块大小达到 $ n^{1-\beta} $（其中 $ 0 < \beta < 1 $）时，信号识别的统计难度与检测相同。

ABSTRACT

We consider the problem of identifying the support of the block signal in a sequence when both the length and the location of the block signal are unknown. The multivariate version of this problem is also considered, in which we try to identify the support of the rectangular signal in the hyper- rectangle. We allow the length of the block signal to grow polynomially with the length of the sequence, which greatly generalizes the previous results in [16]. A statistical boundary above which the identification is possible is presented and an asymptotically optimal and computationally efficient procedure is proposed under Gaussian white noise in both the univariate and multivariate settings. The problem of block signal identification is shown to have the same statistical difficulty as the corresponding problem of detection in both the univariate and multivariate cases, in the sense that whenever we can detect the signal, we can identify the support of the signal. Some generalizations are also considered here: (1) We ex- tend our theory to the case of multiple block signals. (2) We also discuss about the robust identification problem when the noise distribution is un- specified and the block signal identification problem under the exponential family setting.

研究动机与目标

• 解决在块长度和位置均未知的情况下，识别单变量和多变量序列中矩形块信号支持集的挑战。
• 将现有理论扩展至超越限制性假设 $ \log|I_n^*| = o(\log n) $ 的情形，允许块长度增长为 $ n^{1-\beta} $（其中 $ 0 < \beta < 1 $）。
• 开发一种计算高效的程序，无需预先指定块大小等未知参数。
• 证明在单变量和多变量设置下，块信号识别的统计难度与检测相同。
• 将框架推广至多块信号、未指定噪声下的鲁棒识别以及指数族设置。

提出的方法

• 提出惩罚扫描统计量作为核心识别程序，评估所有可能的区间（多变量情况下为超矩形），并选择使惩罚似然类似得分最大化的区间。
• 使用数据驱动的惩罚项，其尺度为 $ \sqrt{2\log(en/|I|)} $，在保持对真实信号敏感性的同时控制假阳性。
• 采用顺序精炼策略，迭代移除接近真实信号支持的区间，通过假阳性检测数的几何衰减减少误报。
• 应用浓度不等式和极值理论，界定在原假设和备择假设下扫描统计量的尾部概率。
• 通过极小化最大风险分析建立最优性，证明该方法在高斯白噪声下实现了识别的统计边界。
• 通过分别处理每个信号分量并利用所有潜在信号位置上的并集界，将方法扩展至多块信号。

实验结果

研究问题

• RQ1 当块长度随序列长度多项式增长时，是否仍能识别矩形块信号的支持集，且超越 $ \log|I_n^*| = o(\log n) $ 的限制？
• RQ2 是否存在一种计算高效且无需参数的程序，用于在单变量和多变量设置下识别块信号的支持集？
• RQ3 即使识别看似更复杂，块信号识别的统计难度是否与检测相同？
• RQ4 该方法如何推广至多块信号？在这些设置下是否仍保持最优性？
• RQ5 在未指定噪声分布或指数族框架下，识别程序是否仍具有鲁棒性？

主要发现

• 所提出的惩罚扫描程序在单变量和多变量高斯噪声设置下，实现了对矩形块信号支持集识别的渐近最优性。
• 该方法无需参数，且无需预先指定块大小，克服了以往方法（如似然比选择器）的关键局限。
• 在单变量和多变量情况下，块信号识别的统计难度被证明与检测相同。
• 对于多块信号，该程序在温和分离假设下仍保持最优性，且假阳性数量的期望被几何分布所界定。
• 即使块长度增长为 $ n^{1-\beta} $（其中 $ 0 < \beta < 1 $），该程序仍保持一致性和最优性，而此前的方法在该情形下会失效。
• 理论分析确认，假阳性数量收敛于常数 $ C(\alpha) = \frac{\alpha}{1-\alpha} $，从而在适当的显著性水平下确保可靠的识别。