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

Résumé technique : Détection de points de changement et localisation de régions basées sur le score pour les processus ponctuels spatio-temporels

Formulation du problème
L'article traite du défi de la détection séquentielle de points de changement dans les processus ponctuels spatio-temporels (STPP). Contrairement aux méthodes traditionnelles qui se concentrent uniquement sur la détection des changements temporels d'intensité, ce travail cible des scénarios où un changement de distribution se produit à un instant $\tau$ inconnu et est confiné à une région spatiale continue $\Omega$ inconnue. L'objectif est d'inférer conjointement le temps de changement et la région spatiale affectée en temps réel. Les auteurs soulignent que les approches existantes pour les données de processus ponctuels traitent souvent l'espace comme fixe ou accessoire, échouant ainsi à fournir l'interprétabilité spatiale requise pour des informations exploitables dans des applications telles que la surveillance sismique et la détection des feux de forêt. Le problème est complexifié par le fait que la dynamique post-changement dans les STPP (par exemple, les processus de Hawkes auto-excitateurs) appartient à une famille de scénarios à dimension infinie, et que les procédures séquentielles entièrement basées sur la vraisemblance sont souvent intraitables sans hypothèses paramétriques fortes.

Méthodologie
Les auteurs proposent ST-Score, un cadre de détection basé sur le score et sans recours à la vraisemblance, qui fonctionne sans supposer de connaissance paramétrique des distributions pré- et post-changement.

1. Statistique basée sur le score : Au lieu d'estimer le rapport de vraisemblance intractable, la méthode utilise le score de Hyvärinen, qui dépend uniquement du gradient de la log-densité (la fonction de score). Pour chaque événement observé $x$, une mesure d'anomalie locale $\Delta(x) = \psi_0(x) - \psi_1(x)$ est calculée, où $\psi_i$ représente un score spécifique au régime.
2. Approximation de score localisée : Pour éviter la difficulté computationnelle de l'intégration sur l'ensemble du domaine spatial (qui est inconnu en raison de la région changeante), les auteurs introduisent une approximation de score localisée. Celle-ci restreint l'estimation de la densité conditionnelle à un petit voisinage spatial $B_\delta(x)$ autour de chaque événement, en utilisant un score de Hyvärinen pondéré pour gérer les effets de bord et les intervalles inter-arrivées unidirectionnels.
3. Statistique CUSUM spatio-temporelle : La statistique de détection $W_t$ est définie comme une suprématie sur tous les temps de changement candidats $\tau$ et toutes les régions spatiales $\Omega$ de la mesure cumulative d'anomalie :
   $$W_t = \sup_{0\le\tau\le t} \sup_{\Omega\subseteq S} \int_{[\tau,t)\times\Omega} \Delta(x) dN(x)$$
   Une alarme est déclenchée lorsque $W_t$ dépasse un seuil $\gamma$.
4. Algorithme d'optimisation : Pour résoudre la maximisation conjointe sur le temps et l'espace continus, les auteurs développent un schéma d'optimisation alternée (algorithme ST-Score). Celui-ci met à jour de manière itérative la région de changement estimée (étape I) et le point de changement (étape O) jusqu'à convergence. L'étape I identifie les régions avec des scores d'anomalie positifs, tandis que l'étape O trouve le temps de départ optimal pour la somme cumulative.
5. Adaptation en ligne : Le cadre comprend un mécanisme d'estimation en ligne du modèle de score post-changement lorsque les données historiques post-changement ne sont pas disponibles, en mettant à jour le modèle via la descente de gradient sur des données en flux continu.

Contributions clés

1. Cadre spatio-temporel continu : L'article comble le fossé entre les méthodes CUSUM classiques (uniquement temporelles) et les approches de balayage spatial ad hoc en introduisant un cadre où le point de changement et la région spatiale affectée sont tous deux inconnus et continus.
2. Détection sans vraisemblance : Il développe une méthode de détection évolutive basée sur l'appariement de score (score matching) qui évite l'estimation explicite de la vraisemblance, ce la rendant applicable à des dynamiques complexes ou de haute dimension où les vraisemblances sont intraitables.
3. Garanties théoriques : Les auteurs établissent des garanties asymptotiques pour :
   • Le contrôle des fausses alarmes : Dérivation de bornes inférieures sur la longueur de parcours moyenne (ARL) en fonction du seuil.
   • Le délai de détection : Caractérisation de la dérive de la statistique et fourniture de bornes sur le délai de détection attendu (EDD).
   • La précision de la localisation : Preuve que l'indice de Jaccard entre les régions de changement estimées et réelles est asymptotiquement minoré, l'écart d'erreur étant lié au rayon du voisinage de localisation $\delta$.

Résultats expérimentaux
La méthode proposée a été évaluée sur des données synthétiques et deux ensembles de données réels :

• Données synthétiques : ST-Score a été comparé à des modèles de référence incluant le CUSUM standard, le SCUSUM, le PP-CUSUM et le MinCUSUM. ST-Score a systématiquement démontré des délais de détection attendus plus faibles et des indices de Jaccard plus élevés (meilleure localisation spatiale). L'étude a souligné que si un fort débordement spatio-temporel (ratio de branchement élevé dans les processus de Hawkes) dégrade les performances, ST-Score reste supérieur aux modèles de référence reposant sur la discrétisation spatiale.
• Alerte précoce de séismes : Appliquée au catalogue de séismes de l'Agence météorologique du Japon, la méthode a identifié avec succès le début d'une période d'essaim sismique (2021–2023) et a localisé les régions des chocs principaux, fournissant des preuves cohérentes avec la théorie des essaims.
• Détection des feux de forêt : Appliquée aux données de feux de forêt de Californie, la méthode a détecté l'allumage de l'incendie des Palisades. Bien qu'aucun signal précurseur n'ait été trouvé (cohérent avec la nature abrupte de l'allumage d'un feu), la méthode a réussi à localiser la région affectée après l'allumage.

Signification et affirmations
L'article affirme que ST-Score offre une avancée significative en permettant une détection en temps réel avec interprétabilité spatiale pour les processus ponctuels spatio-temporels. Sa signification réside dans :

• L'actionnabilité : Contrairement aux méthodes purement temporelles, il identifie où un changement se produit, ce qui est crucial pour l'allocation des ressources dans des domaines comme la réponse aux catastrophes.
• La robustesse : En évitant les hypothèses paramétriques de vraisemblance, il gère des dynamiques complexes et inconnues (ex: auto-excitation) qui font souvent échouer les méthodes traditionnelles basées sur la vraisemblance.
• L'efficacité : L'approche par score et le schéma d'optimisation alternée permettent un calcul évolutif sur des données spatio-temporelles continues sans nécessiter de discrétisation spatiale manuelle ou d'intégration numérique coûteuse.

Les auteurs notent que bien que la méthode soit performante, son efficacité dépend d'hyperparamètres tels que le rayon de localisation $\delta$ et le nombre d'itérations d'optimisation $K$, et que les travaux futurs pourraient se concentrer sur la sélection principielle des hyperparamètres et l'extension de l'analyse théorique à des classes plus larges de noyaux d'excitation.