[论文解读] Rate-Optimal Detection of Very Short Signal Segments

Tommaso Cai, Ming Yuan|arXiv (Cornell University)|Jul 10, 2014

Blind Source Separation Techniques参考文献 16被引用 7

一句话总结

本文在三种设定下建立了极短信号段的最优检测率：已知形状、任意信号和光滑信号。提出基于线性和二次统计量扫描的率最优检测器，揭示在 $ d acksimeq \log n $ 处存在相变，此时若已知信号形状，检测将显著更容易。

ABSTRACT

Motivated by a range of applications in engineering and genomics, we consider in this paper detection of very short signal segments in three settings: signals with known shape, arbitrary signals, and smooth signals. Optimal rates of detection are established for the three cases and rate-optimal detectors are constructed. The detectors are easily implementable and are based on scanning with linear and quadratic statistics. Our analysis reveals both similarities and differences in the strategy and fundamental difficulty of detection among these three settings.

研究动机与目标

• 在三种不同的信号设定下建立极短信号段的最优检测率：已知形状、任意信号和光滑信号。
• 基于线性和二次统计量的扫描，提出易于实现的率最优检测器。
• 以信号幅度 $ A $ 和段长 $ d $ 表征检测的极限，特别是在高维和稀疏信号假设下。
• 揭示在 $ d \asymp \log n $ 处检测能力的相变，此时未知信号的最优检测率从 $ d^{-1/2}\log^{1/2}n $ 变为 $ d^{-1/4}\log^{1/4}n $。
• 证明已知信号形状可显著提升检测性能，尤其在较长信号段中，且在短信号段中不会导致率的损失。

提出的方法

• 提出信号加噪声模型 $ X_i = \mu_i + \epsilon_i $，其中 $ \epsilon_i \sim N(0,\sigma^2) $，在原假设 $ H_0: \mu_i = 0 $ 和备择假设 $ H_1 $ 下，信号段位置未知。
• 通过扫描所有可能的信号段 $ (a,b] $，对每个段计算线性或二次统计量以评估信号的似然性。
• 使用最大扫描统计量：若这些统计量的最大值超过由 $ \chi^2 $ 和正态尾部界推导出的阈值，则拒绝 $ H_0 $。
• 应用 $ \chi^2 $ 相似性界和极小极大检验理论，推导出可检测信号幅度的下界。
• 对光滑信号采用分箱和近似技术，将段划分为大小为 $ m $ 的箱，利用 $ \chi^2 $ 和正态尾部不等式控制第一类和第二类错误。
• 通过 $ \chi^2 $ 和正态变量的集中不等式推导检测阈值的渐近界，确保在最优信号强度下第一类错误趋于零，第二类错误也趋于零。

实验结果

研究问题

• RQ1 当信号形状已知时，极短信号段的最优检测率是什么？
• RQ2 当信号形状完全未知时，检测率如何随段长 $ d $ 变化，特别是其函数关系如何？
• RQ3 光滑信号的根本检测极限是什么？与已知形状和任意信号情形相比如何？
• RQ4 在 $ d \asymp \log n $ 处是否存在检测能力的相变？其对所需信号幅度有何影响？
• RQ5 对信号形状的先验知识在多大程度上提升了检测性能？这种优势在何时最为显著？

主要发现

• 对于已知信号形状，最优检测率为 $ A \sim d^{-1/2}\log^{1/2}n $，且可通过线性统计量扫描实现该速率。
• 对于任意信号，当 $ d = O(\log n) $ 时最优率为 $ A \sim d^{-1/2}\log^{1/2}n $，当 $ d \gg \log n $ 时最优率为 $ A \sim d^{-1/4}\log^{1/4}n $，表明在 $ d \asymp \log n $ 处存在相变。
• 出人意料的是，当 $ d = O(\log n) $ 时，即使不知道信号形状，检测率也无损失，两种情形均达到相同的最优速率。
• 对于较长信号（$ d \gg \log n $），未知形状的检测率显著劣于已知形状，分别为 $ d^{-1/4}\log^{1/4}n $ 与 $ d^{-1/2}\log^{1/2}n $，表明信号形状知识具有显著优势。
• 率最优检测器通过扫描所有可能的信号段并使用最大统计量构造，其阈值由 $ \chi^2 $ 和正态尾部界推导得出。
• 利用 $ \chi^2 $ 相似性和极小极大检验理论建立了下界，表明任何一致检验均无法检测低于所推导阈值的信号，从而证实了所提速率的最优性。