Résumé technique : Détection de points de rupture multiples pour les processus de Poisson

Énoncé du problème

L'article traite du problème de la détection de multiples points de rupture (change-points) dans la fonction d'intensité de processus ponctuels observés sur un intervalle de temps continu $[0, 1]$. Plus précisément, les auteurs se concentrent sur les processus de Poisson inhomogènes où la fonction d'intensité $\lambda(t)$ est supposée être par morceaux constante. L'objectif est d'identifier les emplacements inconnus des points de rupture $\tau = (\tau_1, \dots, \tau_{K-1})$ ainsi que les niveaux d'intensité constants $\lambda_k$ correspondants pour chaque segment, étant donné une séquence de temps d'événements observés $T_1, \dots, T_n$.

Le défi réside dans la nature continue de l'espace d'optimisation. Contrairement aux contextes en temps discret, les points de rupture peuvent se produire à n'importe quelle valeur réelle au sein de l'intervalle. Les techniques d'optimisation standard (par exemple, la descente de gradient) sont inaplicables car les fonctions de contraste (telles que la log-vraisemblance négative) ne sont pas continues par rapport aux emplacements des points de rupture. De plus, l'espace de recherche est de dimension infinie, et le nombre de segmentations possibles croît exponentiellement avec le nombre d'événements.

Méthodologie

1. Fondement théorique : Réduction à l'espace discret

La principale contribution théorique est la preuve que les points de rupture optimaux pour un nombre fixé de segments $K$ peuvent être restreints à une grille finie dérivée des temps d'événements.

• Hypothèses : La méthodologie repose sur deux hypothèses concernant la fonction de contraste $\gamma(\tau)$ :
  1. Additivité par segment : Le contraste total est la somme des coûts des segments individuels.
  2. Concavité stricte : La fonction de coût pour un segment est strictement concave par rapport à la longueur du segment.
• Idée clé : S'appuyant sur les observations de Young Yang et Kuo (2001) pour les points de rupture uniques, les auteurs prouvent que sous ces hypothèses, les points de rupture optimaux doivent se situer soit exactement à un temps d'événement $T_i$, soit immédiatement avant celui-ci ($T_i^-$).
• Conséquence : Cela réduit le problème d'optimisation continue à un problème discret sur une grille de taille $2n$ (l'ensemble $\{T_1^-, T_1, \dots, T_n^-, T_n\}$). Cela permet l'utilisation de la programmation dynamique (DP) pour trouver l'optimum global exact avec une complexité de calcul de $O(n^2 K)$.

2. Contrastes admissibles et régularisation

Le contraste standard de la log-vraisemblance négative de Poisson est additif mais ne satisfait pas l'hypothèse de concavité stricte lorsqu'un segment contient zéro événement ($\nu_k=0$), ce qui conduit à des solutions dégénérées (segments de longueur nulle).

• Solution : Les auteurs proposent des contrastes Poisson-Gamma (PG). En supposant une loi Gamma sur les intensités (une approche bayésienne utilisée pour dériver un contraste fréquentiste), ils introduisent des hyperparamètres qui agissent comme une régularisation. Cela garantit que la fonction de coût reste strictement concave même pour des comptages nuls, évitant ainsi les segments dégénérés et permettant des solutions exactes qui ne sont pas forcées sur les frontières des temps d'événements.
• Processus marqués : Le cadre est étendu aux processus de Poisson marqués, où l'intensité et la distribution des marques (par exemple, la magnitude) changent simultanément. Un contraste MPGEG (Marked Poisson-Gamma-Exponential-Gamma) est dérivé pour gérer ce cas.

3. Sélection de modèle via la validation croisée

La sélection du nombre de segments $K$ est traitée comme un problème de sélection de modèle.

• Propriété d'élagage (Thinning) : Les auteurs exploitent la propriété d'élagage des processus de Poisson. Si les événements sont échantillonnés avec une probabilité $f$, les événements restants forment un processus de Poisson indépendant avec une intensité mise à l'échelle par $(1-f)$.
• Procédure : Le processus observé est divisé en un ensemble d'apprentissage (probabilité $f$) et un ensemble de test. Le modèle est entraîné sur l'ensemble d'apprentissage, et le contraste est évalué sur l'ensemble de test. Cela évite l'ambiguïté liée à la suppression de points temporels discrets dans les contextes continus, rendant la validation croisée valide pour ce problème.

4. Extension aux processus auto-excitants (Hawkes)

La méthodologie est étendue aux processus de Hawkes par morceaux (PHP), où l'intensité dépend de l'historique des événements (auto-excitation).

• Transformation : En utilisant le théorème de rescalage temporel (Papangelou, 1972), les auteurs transforment le processus de Hawkes en un processus de Poisson hétérogène.
• Stratégie : Si les paramètres de l'intensité de base de Hawkes ($\alpha, \beta$) sont connus ou estimés à partir d'une période homogène, les temps d'événements observés sont transformés via le compensateur $\Lambda_0(t)$. La détection de points de rupture est ensuite effectuée sur les temps transformés en utilisant la méthodologie de Poisson standard.

Résultats clés

Études de simulation

Les auteurs ont évalué la méthode sur des données synthétiques à travers trois modèles :

1. Processus de Poisson : La méthode récupère avec succès le nombre correct de segments et les emplacements des points de rupture à mesure que l'intensité moyenne ($\lambda$) et le rapport de contraste entre les segments ($\lambda_R$) augmentent. Elle surpasse les alternatives en temps discret (discrétisation par bacs/binning ou analyse des intervalles inter-événements) en termes de distance de Hausdorff et de précision de l'estimation de l'intensité, particulièrement lorsque les comptages d'événements sont faibles.
2. Processus de Poisson marqué : La méthode détecte efficacement les points de rupture lorsque des signaux existent dans l'intensité, dans les marques, ou les deux. L'inclusion de l'information sur les marques améliore le pouvoir de détection.
3. Processus de Hawkes : L'approche basée sur la transformation détecte avec précision les points de rupture dans les processus de Hawkes par morceaux. La méthode fonctionne bien même lorsque les paramètres de Hawkes ($\alpha, \beta$) doivent être estimés à partir d'une période homogène préliminaire.

Applications réelles

La méthodologie a été appliquée à deux ensembles de données géologiques :

• Éruptions volcaniques (Kilauea et Mauna Loa) : La méthode a identifié des régimes distincts dans les fréquences d'éruption, détectant 3 points de rupture pour Kilauea et 1 pour Mauna Loa.
• Mont Etna (Éruptions latérales) : La comparaison d'un modèle de Poisson standard avec un modèle de Poisson marqué (utilisant le volume de lave comme marque) a révélé des structures de points de rupture différentes. Le modèle marqué a détecté un changement de régime en 1755 lié au volume de lave, tandis que le modèle standard a détecté un changement en 1968 lié à la fréquence des éruptions.
• Activité sismique (Thaïlande) : Appliquée aux répliques de tremblements de terre, le modèle PHP a identifié avec succès trois événements sisiques majeurs (incluant le séisme de Phuket de 2004) qui avaient été manqués par la modélisation de Poisson standard, démontant ainsi l'utilité de la prise en compte de l'auto-excitation.

Signification et affirmations

L'article affirme fournir un cadre fréquentiste rigoureux pour la détection de multiples points de rupture dans les processus ponctuels en temps continu. Sa principale importance réside dans :

1. Exactitude sans discrétisation : Il prouve qu'une solution exacte existe sur une grille finie liée aux observations, éliminant le besoin d'une discrétisation temporelle arbitraire ou de "binning" qui peut compromettre la précision.
2. Efficacité computationnelle : En réduant le problème à une grille discrète, il permet l'utilisation d'algorithmes de programmation dynamique efficaces ($O(n^2 K)$) pour une optimisation exacte.
3. Robustesse : L'introduction de contrastes admissibles (Poisson-Gamma) résout le problème des solutions dégénérées courantes dans l'estimation du maximum de vraisemblance pour les processus de Poisson.
4. Polyvalence : Le cadre est généralisable aux processus marqués et aux processus de Hawkes auto-excitants via le rescalage temporel, unifiant le traitement de divers types de processus ponctuels sous une stratégie d'optimisation unique.

Les auteurs notent que la méthode a été implémentée dans le package R CptPointProcess et est disponible à l'usage public. Ils reconnaissent que bien que la complexité de la DP soit quadratique par rapport au nombre d'événements, elle peut être davantage optimisée en utilisant des algorithmes élagués (par exemple, PELT) pour les jeux de données très volumineux.