Score-Based Change-Point Detection and Region Localization for Spatio-Temporal Point Processes

Resumen Técnico: Detección de Cambios Basada en Puntuación y Localización de Regiones para Procesos de Puntos Espacio-Temporales

Formulación del Problema
El artículo aborda el desafío de la detección secuencial de puntos de cambio en procesos de puntos espacio-temporales (STPP, por sus siglas en inglés). A diferencia de los métodos tradicionales que se centran únicamente en detectar cambios temporales en la intensidad de los eventos, este trabajo apunta a escenarios donde ocurre un cambio de distribución en un tiempo desconocido $\tau$ y este se confina a una región espacial continua desconocida $\Omega$. El objetivo es inferir conjuntamente el tiempo de cambio y la región espacial afectada en tiempo real. Los autores destacan que los enfoques existentes para datos de procesos de puntos suelen tratar el espacio como algo fijo o accesorio, fallando en proporcionar la interpretabilidad espacial requerida para obtener información accionable en aplicaciones como el monitoreo sísmico y la detección de incendios forestales. El problema se complica por el hecho de que las dinámicas post-cambio en los STPP (por ejemplo, procesos de Hawkes autoexcitantes) pertenecen a una familia de escenarios de dimensión infinita, y los procedimientos secuenciales basados totalmente en la verosimilitud suelen ser intratables sin supuestos paramétricos fuertes.

Metodología
Los autores proponen ST-Score, un marco de detección basado en puntuación (score-based) y libre de verosimilitud, que opera sin asumir conocimiento paramétrico de las distribuciones pre y post-cambio.

1. Estadístico de Puntuación: En lugar de estimar la intratable razón de verosimilitud, el método utiliza la puntuación de Hyvärinen, que depende únicamente del gradiente de la densidad de logaritmo (la función de puntuación o score function). Para cada evento observado $x$, se calcula una medida de anomalía local $\Delta(x) = \psi_0(x) - \psi_1(x)$, donde $\psi_i$ representa una puntuación específica de cada régimen.
2. Aproximación de Puntuación Localizada: Para evitar la dificultad computacional de integrar sobre todo el dominio espacial (que es desconocido debido a la región cambiante), los autores introducen una aproximación de puntuación localizada. Esto restringe la estimación de la densidad condicional a una pequeña vecindad espacial $B_\delta(x)$ alrededor de cada evento, utilizando una puntuación de Hyvärinen ponderada para manejar efectos de frontera y tiempos de inter-llegada de un solo lado.
3. Estadístico CUSUM Espacio-Temporal: El estadístico de detección $W_t$ se define como un supremo sobre todos los candidatos a tiempos de cambio $\tau$ y regiones espaciales $\Omega$ de la medida de anomalía acumulada:
   $$W_t = \sup_{0\le\tau\le t} \sup_{\Omega\subseteq S} \int_{[\tau,t)\times\Omega} \Delta(x) dN(x)$$
   Se dispara una alarma cuando $W_t$ excede un umbral $\gamma$.
4. Algoritmo de Optimización: Para resolver la maximización conjunta sobre tiempo y espacio continuos, los autores desarrollan un esquema de optimización alternante (algoritmo ST-Score). Este actualiza iterativamente la región de cambio estimada (paso I) y el punto de cambio (paso O) hasta la convergencia. El paso I identifica regiones con puntuaciones de anomalía positivas, mientras que el paso O encuentra el tiempo de inicio óptimo para la suma acumulada.
5. Adaptación en Línea: El marco incluye un mecanismo para la estimación en línea del modelo de puntuación post-cambio cuando no se dispone de datos históricos post-cambio, actualizando el modelo mediante descenso de gradiente sobre datos en flujo (streaming).

Contribuciones Clave

1. Marco Espacio-Temporal Continuo: El artículo cierra la brecha entre los métodos CUSUM clásicos de solo tiempo y los enfoques de escaneo espacial ad hoc, introduciendo un marco donde tanto el punto de cambio como la región espacial afectada son desconocidos y continuos.
2. Detección Libre de Verosimilitud: Desarrolla un método de detección escalable basado en el ajuste de puntuación (score matching) que evita la estimación explícita de la verosimilitud, lo que lo hace aplicable a dinámicas complejas o de alta dimensión donde las verosimilitudes son intratables.
3. Garantías Teóricas: Los autores establecen garantías asintóticas para:
   • Control de Falsas Alarmas: Derivación de límites inferiores en la Longitud de Ejecución Media (ARL) como función del umbral.
   • Retraso de Detección: Caracterización de la deriva del estadístico y provisión de límites en el Retraso de Detección Esperado (EDD).
   • Precisión de Localización: Demostración de que el índice de Jaccard entre las regiones de cambio estimadas y las reales tiene un límite inferior asintótico, con la brecha de error relacionada con el radio de la vecindad de localización $\delta$.

Resultados Experimentales
El método propuesto fue evaluado en datos sintéticos y en dos conjuntos de datos del mundo real:

• Datos Sintéticos: ST-Score se comparó con líneas base que incluyen CUSUM estándar, SCUSUM, PP-CUSUM y MinCUSUM. ST-Score demostró consistentemente menores retrasos de detección esperados y mayores índices de Jaccard (mejor localización espacial). El estudio destacó que, si bien un fuerte desbordamiento espacio-temporal (alto cociente de ramificación en procesos de Hawkes) degrada el rendimiento, ST-Score sigue siendo superior a las líneas base que dependen de la discretización espacial.
• Alerta Temprana de Terremotos: Aplicado al catálogo de terremotos de la Agencia Meteorológica de Japón, el método identificó con éxito el inicio de un periodo de enjambre sísmico (2021–2023) y localizó las regiones de las réplicas principales, proporcionando evidencia consistente con la teoría de enjambres.
• Detección de Incendios Forestales: Aplicado a los datos de incendios forestales de California, el método detectó la ignición del incendio de Palisades. Aunque no se encontraron señales precursoras (consistente con la naturaleza abrupta de la ignición de un incendio forestal), el método localizó con éxito la región afectada tras la ignición.

Significancia y Reivindicaciones
El artículo afirma que ST-Score ofrece un avance significativo al permitir la detección en tiempo real con interpretabilidad espacial para procesos de puntos espacio-temporales. Su importancia radica en:

• Accionabilidad: A diferencia de los métodos de solo tiempo, identifica dónde ocurre un cambio, lo cual es crítico para la asignación de recursos en dominios como la respuesta ante desastres.
• Robustez: Al evitar supuestos paramétricos de verosimilitud, maneja dinámicas complejas y desconocidas (por ejemplo, autoexcitación) que suelen romper los métodos tradicionales basados en verosimilitud.
• Eficiencia: El enfoque basado en puntuación y el esquema de optimización alternante permiten una computación escalable en datos de espacio-tiempo continuos sin la necesidad de discretización espacial manual o integración numérica costosa.

Los autores señalan que, si bien el método funciona bien, su efectividad depende de hiperparámetros como el radio de localización $\delta$ y las iteraciones de optimización $K$, y que el trabajo futuro podría centrarse en la selección de hiperparámetros basada en principios y en extender el análisis teórico a clases más amplias de núcleos de excitación.