Resumen Técnico: Localización de Cambios Libre de Distribución tras la Detección de Cambios Secuenciales

Planteamiento del Problema

El artículo aborda el problema fundamental de la localización secuencial de puntos de cambio en un espacio de observación arbitrario $\mathcal{X}$. Si bien existe una vasta literatura sobre el diseño de reglas de parada (por ejemplo, CUSUM, Shiryaev–Roberts, martingalas de prueba conformes) para detectar cuándo ocurre un cambio distributivo, existe una falta de métodos rigurosos para construir conjuntos de confianza estadísticamente válidos para el punto de cambio desconocido $T$ después de que se haya activado una alarma.

Los métodos de inferencia post-detección existentes (por ejemplo, Ding, 2003a; Wu, 2007; Saha y Ramdas, 2026) suelen requerir supuestos restrictivos:

1. Distribuciones Conocidas: Las distribuciones pre-cambio ($F_0$) y post-cambio ($F_1$) deben ser conocidas o pertenecer a familias paramétricas específicas (por ejemplo, familias exponenciales).
2. Clases Disjuntas: Los conjuntos de posibles distribuciones pre y post-cambio deben ser disjuntos y conocidos a priori.
3. Garantías Asintóticas: Muchos solo proporcionan garantías de cobertura asintótica.

Los autores pretenden construir conjuntos de confianza para $T$ que satisfagan garantías de cobertura en muestras finitas sin ningún supuesto distributivo sobre $F_0$ y $F_1$, más allá del supuesto de que son distintos. El objetivo es lograr la cobertura condicional:
$$P_{F_0,T,F_1}(T \in C \mid \tau \ge T) \ge 1 - \alpha$$
donde $\tau$ es el tiempo de parada de un detector secuencial.

Metodología

El marco propuesto desacopla la fase de detección de la fase de localización. Actúa como un "envoltorio" (wrapper) alrededor de cualquier algoritmo de detección de cambios secuenciales existente (independientemente de si el detector en sí es libre de distribución). La metodología central se basa en martingalas de prueba conformes y la intercambiabilidad de los segmentos de datos.

1. Supuestos Centrales

• Intercambiabilidad: El segmento pre-cambio $X_1, \dots, X_{T-1}$ es intercambiable (Supuesto 2), y el segmento post-cambio $X_T, X_{T+1}, \dots$ es intercambiable (Supuesto 1).
• Acceso a Caja Negra: El procedimiento de localización tiene acceso al tiempo de parada $\tau$ y a la secuencia de datos hasta $\tau$, pero trata al algoritmo de detección como una caja negra.
• Estimación Libre de Distribución: Se requiere un estimador insesgado (o con sesgo negativo) $\hat{r}_t$ para la probabilidad de no haber una falsa alarma hasta el tiempo $t$ ($P_{F_0, \infty}[\tau \ge t]$). Esto puede estimarse mediante simulación de Monte Carlo utilizando datos i.i.d. de cualquier distribución conveniente, siempre que la distribución del tiempo de parada del detector bajo la hipótesis nula sea independiente de la $F_0$ específica (Supuesto 3).

2. Construcción de Conjuntos de Confianza

El método construye conjuntos de confianza unilaterales por separado y los intersecta para formar un intervalo bilateral.

Conjunto de Confianza Inferior ($C^{\alpha}_{low}$)

• Objetivo: Identificar un tiempo $t$ tal que el verdadero punto de cambio $T \ge t$.
• Prueba de Hipótesis: Para un $t$ candidato, se prueba $H_0: T = t$ contra $H_1: T > t$.
• Mecanismo: Si $T > t$, el segmento $X_t, \dots, X_\tau$ contiene una mezcla de datos pre y post-cambio, violando la intercambiabilidad. Si $T = t$, el segmento es puramente post-cambio e intercambiable.
• Procedimiento:
  1. Calcular p-valores conformes secuenciales $p^j_t$ para $j \ge t$ basados en comparaciones de puntuación dentro de la ventana $[t, j]$.
  2. Transformar los p-valores en e-valores mediante una función calibradora $f_{t,j}(p) = 1 + \lambda_{t,j}(p - 0.5)$.
  3. Agregar la evidencia mediante una martingala $M_t = \prod f_{t,j}(p^j_t)$.
  4. Retener $t$ en $C^{\alpha}_{low}$ si el valor máximo de la martingala sobre la ventana no excede el umbral $1/(\alpha \hat{r}_t)$.

Conjunto de Confianza Superior ($C^{\beta}_{up}$)

• Objetivo: Identificar un tiempo $t$ tal que el verdadero punto de cambio $T \le t$.
• Prueba de Hipótesis: Para un $t$ candidato, se prueba $H_0: T = t$ contra $H_1: T < t$.
• Mecanismo: Similar al conjunto inferior, pero opera en dirección hacia atrás. Si $T < t$, el segmento $X_1, \dots, X_t$ contiene una mezcla, violando la intercambiabilidad pre-cambio.
• Procedimiento: Calcular p-valores conformes secuenciales hacia atrás $q^j_t$ para $j \le t$, agregar mediante una martingala y retener $t$ si el estadístico permanece por debajo del umbral.

Conjunto de Confianza Bilateral

El conjunto de confianza final es la intersección: $C = C^{\alpha}_{low} \cap C^{\beta}_{up}$. Por la unión de probabilidades (union bound), esto satisface $P(T \in C \mid \tau \ge T) \ge 1 - \alpha - \beta$.

3. Aprendizaje del Calibrador

Aunque los límites teóricos asumen un calibrador "oráculo" (elegido óptimamente $\lambda$), el artículo propone utilizar la optimización convexa en línea (específicamente Online Newton Step con Follow-The-Leading-History) para aprender la secuencia de $\lambda_{t,j}$ de forma adaptativa. Esto asegura un regret logarítmico, manteniendo la validez de los conjuntos de confianza mientras se optimiza su tamaño.

Principales Contribuciones

1. Primer Marco General Libre de Distribución: El artículo introduce el primer marco para la localización de puntos de cambio post-detección que proporciona garantías de cobertura en muestras finitas sin requerir el conocimiento de $F_0$ o $F_1$, ni asumir clases de distribución disjuntas ($P_0 \cap P_1 = \emptyset$).
2. Desacoplamiento de Detección e Inferencia: El método permite que algoritmos de detección secuencial arbitrarios (incluyendo aquellos basados en ARL o control de PFA) sean envueltos con una capa de inferencia libre de distribución.
3. Construcciones Unilaterales y Bilaterales: Los autores desarrollan construcciones distintas para los límites inferior y superior, reconociendo la intrínseca asimetría de la localización secuencial. Demuestran la cobertura en muestras finitas para ambos.
4. Límites No Asintóticos y Asintóticos:
   • Muestras Finitas: Se derivan límites explícitos sobre el tamaño esperado condicional de los conjuntos de confianza.
   • Asintóticos: Bajo regímenes adecuados (donde el retraso de detección escala logarítmicamente con el punto de cambio $T$), se muestra que el tamaño esperado del conjunto de confianza permanece uniformemente acotado (o crece sublinealmente), incluso sin supuestos distributivos.
5. Estimación Práctica de Probabilidades Nulas: Un método para estimar el término de normalización crítico $\hat{r}_t$ mediante simulación de Monte Carlo usando datos i.i.d. arbitrarios, evitando la necesidad de la distribución nula específica $F_0$.

Resultados

Resultados Teóricos

• Cobertura: El Teorema 1 y el Teorema 2 establecen que los conjuntos inferior y superior logran una cobertura condicional de al menos $1-\alpha$ y $1-\beta$, respectivamente. El Corolario 1 extiende esto al conjunto bilateral.
• Límites de Tamaño:
  • Teoremas 3 y 4: Para el conjunto de confianza inferior, la longitud esperada pre-cambio es $O(1)$ o $O(\log T)$ dependiendo de la fuerza de la señal $\delta$ y el régimen de retraso de detección.
  • Teoremas 5 y 6: Para el conjunto de confianza superior, la longitud esperada post-cambio es $O(1)$ bajo condiciones moderadas sobre la distribución del tiempo de parada del detector.
  • Teoremas 7 y 10: El tamaño del conjunto bilateral combinado está uniformemente acotado o crece muy lentamente (sublinealmente) en $T$ bajo regímenes asintóticos apropiados.
• Aprendizaje Adaptativo: Los Teoremas 8, 9 y 10 muestran que el uso de aprendizaje en línea para los calibradores (con regret logarítmico) preserva estos límites, con solo ajustes menores en las constantes.

Resultados Empíricos

Los autores validan el método en tres conjuntos de datos:

1. Cambio de Media Gaussiana: Simulaciones con $N(-1, 1) \to N(1, 1)$. El método localizó el punto de cambio con intervalos de confianza ajustados (ej., ancho $\approx 5$ para $T=500$).
2. Cambio de Dígito MNIST: Un entorno de alta dimensión donde la distribución cambia de el dígito '3' a '7' (o distribuciones mixtas). Usando una CNN pre-entrenada para la puntuación, el método logró intervalos nítidos (ej., $[395, 400]$ para $T=400$).
3. Conjunto de Datos de Calidad del Vino: Una aplicación del mundo real que simula un cambio de vino blanco a tinto. El límite de confianza inferior se situó en 387 (el verdadero $T=400$), lo que permite a los operadores certificar muestras hasta el tiempo 386 como "blanco" con un 90% de confianza.

Significado y Reivindicaciones

El artículo afirma proporcionar el primer marco general libre de distribución para la localización secuencial de puntos de cambio con garantías de cobertura post-detección válidas.

• Motivación: En sistemas del mundo real (monitoreo industrial, seguridad de redes), los mecanismos generadores de datos suelen ser complejos, de alta dimensión y mal especificados, lo que hace que el modelado distributivo fiable sea inviable. Los métodos existentes que requieren $F_0/F_1$ conocidos o clases disjuntas son poco realistas en estos entornos.
• Ventaja sobre Trabajos Previos: A diferencia de Saha y Ramdas (2026), que requiere $P_0 \cap P_1 = \emptyset$, este marco permite $P_0 = P_1 = \mathcal{P}$ (el universo de todas las distribuciones), requiriendo solo que la $F_0$ realizada sea distinta de $F_1$.
• Utilidad Práctica: El límite de confianza inferior se destaca como particularmente útil para el control de calidad, proporcionando un "umbral de tiempo seguro" tras el cual se garantiza que un sistema se encuentra en un estado post-cambio (potencialmente defectuoso), permitiendo el aislamiento dirigido de los productos afectados.
• Robustez: La validez del procedimiento no depende de supuestos de modelado; los modelos (ej., para la puntuación) solo afectan la eficiencia estadística (el tamaño del intervalo), no la validez de la garantía de cobertura.

Los autores concluyen que la localización fiable de puntos de cambio es posible incluso sin supuestos distributivos, ofreciendo una herramienta conceptualmente simple y ampliamente aplicable para el análisis secuencial. Se sugiere como trabajo futuro la extensión a entornos de múltiples flujos.