Post-detection inference for sequential changepoint localization

要約

このペーパーでは、シーケンシャルの変化ポイント分析における基本的ではあるが、ほとんど未開拓の課題に取り組んでいます。検出された変更後の​​推論を実施します。
順次検出アルゴリズム$ \ mathcal a $が変更を宣言するデータ依存の停止時間までに観察されたデータのみを使用して、ChangePointをローカライズする問題を調査します。
最初に、変化前と変更後の分布が知られていると想定されている場合、未知の変化ポイントの信頼セットを構築します。
次に、フレームワークを構成前および変更後シナリオに拡張します。
観測スペースまたは$ \ mathcal a $に条件を課すことはありません。シミュレートされたデータシーケンスで$ \ mathcal a $を実行できる必要があります。
要約すると、この作業は、理論的に健全で実質的に効果的なツールの両方を提供します。

要約(オリジナル)

This paper addresses a fundamental but largely unexplored challenge in sequential changepoint analysis: conducting inference following a detected change. We study the problem of localizing the changepoint using only the data observed up to a data-dependent stopping time at which a sequential detection algorithm $\mathcal A$ declares a change. We first construct confidence sets for the unknown changepoint when pre- and post-change distributions are assumed to be known. We then extend our framework to composite pre- and post-change scenarios. We impose no conditions on the observation space or on $\mathcal A$ — we only need to be able to run $\mathcal A$ on simulated data sequences. In summary, this work offers both theoretically sound and practically effective tools for sequential changepoint localization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google