Résumé Technique : Localisation de Changements de Distribution sans Hypothèse de Distribution après Détection de Changement Séquentielle

Énoncé du Problème

L'article traite du problème fondamental de la localisation de changements séquentiels dans un espace d'observation arbitraire $\mathcal{X}$. Bien qu'un vaste corpus de littérature existe pour la conception de règles d'arrêt (ex: CUSUM, Shiryaev–Roberts, martingales de tests conformes) afin de détecter quand un changement de distribution se produit, il manque des méthodes rigoureuses pour construire des ensembles de confiance statistiquement valides pour le point de changement inconnu $T$ après qu'une alarme a été déclenchée.

Les méthodes d'inférence post-détection existantes (ex: Ding, 2003a ; Wu, 2007 ; Saha et Ramdas, 2026) imposent généralement des hypothèses restrictives :

1. Distributions Connues : Les distributions pré-changement ($F_0$) et post-changement ($F_1$) doivent être connues ou appartenir à des familles paramétriques spécifiques (ex: familles exponentielles).
2. Classes Disjointes : Les ensembles de distributions pré- et post-changement possibles doivent être disjoints et connus a priori.
3. Garanties Asymptotiques : Beaucoup ne fournissent que des garanties de couverture asymptotiques.

Les auteurs visent à construire des ensembles de confiance pour $T$ qui satisfont des garanties de couverture en échantillon fini sans aucune hypothèse de distribution sur $F_0$ et $F_1$, hormis l'hypothèse qu'elles sont distinctes. L'objectif est d'obtenir une couverture conditionnelle :
$$P_{F_0,T,F_1}(T \in C \mid \tau \ge T) \ge 1 - \alpha$$
où $\tau$ est le temps d'arrêt d'un détecteur séquentiel.

Méthodologie

Le cadre proposé découple la phase de détection de la phase de localisation. Il agit comme une "enveloppe" (wrapper) autour de n'importe quel algorithme de détection de changement séquentiel existant (indépendamment du fait que le détecteur lui-même soit sans hypothèse de distribution). La méthodologie centrale repose sur les martingales de tests conformes et l'échangeabilité des segments de données.

1. Hypothèses Fondamentales

• Échangeabilité : Le segment pré-changement $X_1, \dots, X_{T-1}$ est échangeable (Hypothèse 2), et le segment post-changement $X_T, X_{T+1}, \dots$ est échangeable (Hypothèse 1).
• Accès "Boîte Noire" : La procédure de localisation a accès au temps d'arrêt $\tau$ et à la séquence de données jusqu'à $\tau$, mais traite l'algorithme de détection comme une boîte noire.
• Estimation Sans Hypothèse de Distribution : Un estimateur non biaisé (ou à biais négatif) $\hat{r}_t$ pour la probabilité d'absence de fausse alarme jusqu'au temps $t$ ($P_{F_0, \infty}[\tau \ge t]$) est requis. Cela peut être estimé via une simulation de Monte Carlo utilisant des données i.i.d. issues de n'importe quelle distribution pratique, à condition que la distribution du temps d'arrêt du détecteur sous l'hypothèse nulle soit indépendante de la $F_0$ spécifique (Hypothèse 3).

2. Construction des Ensembles de Confiance

La méthode construit des ensembles de confiance unilatéraux séparément et les intersecte pour former un intervalle bilatéral.

Ensemble de Confiance Inférieur ($C^{\alpha}_{low}$)

• Objectif : Identifier un temps $t$ tel que le véritable point de changement $T \ge t$.
• Test d'Hypothèse : Pour un $t$ candidat, tester $H_0: T = t$ contre $H_1: T > t$.
• Mécanisme : Si $T > t$, le segment $X_t, \dots, X_\tau$ contient un mélange de données pré- et post-changement, violant ainsi l'échangeabilité. Si $T = t$, le segment est purement post-changement et échangeable.
• Procédure :
  1. Calculer les p-valeurs de tests conformes séquentiels $p^j_t$ pour $j \ge t$ basées sur des comparaisons de scores au sein de la fenêtre $[t, j]$.
  2. Transformer les p-valeurs en e-valeurs via une fonction de calibrage $f_{t,j}(p) = 1 + \lambda_{t,j}(p - 0.5)$.
  3. Agréguer l'évidence via une martingale $M_t = \prod f_{t,j}(p^j_t)$.
  4. Conserver $t$ dans $C^{\alpha}_{low}$ si la valeur maximale de la martingale sur la fenêtre ne dépasse pas le seuil $1/(\alpha \hat{r}_t)$.

Ensemble de Confiance Supérieur ($C^{\beta}_{up}$)

• Objectif : Identifier un temps $t$ tel que le véritable point de changement $T \le t$.
• Test d'Hypothèse : Pour un $t$ candidat, tester $H_0: T = t$ contre $H_1: T < t$.
• Mécanisme : Similaire à l'ensemble inférieur, mais opère dans la direction inverse. Si $T < t$, le segment $X_1, \dots, X_t$ contient un mélange, violant l'échangeabilité pré-changement.
• Procédure : Calculer les p-valeurs de tests conformes séquentiels vers l'arrière $q^j_t$ pour $j \le t$, agréger via une martingale, et conserver $t$ si la statistique reste en dessous du seuil.

Ensemble de Confiance Bilatéral

L'ensemble de confiance final est l'intersection : $C = C^{\alpha}_{low} \cap C^{\beta}_{up}$. Par l'inégalité de Boole (union bound), cela satisfait $P(T \in C \mid \tau \ge T) \ge 1 - \alpha - \beta$.

3. Apprentissage du Calibrateur

Bien que les limites théoriques supposent un calibrateur "oracle" (choisi de manière optimale $\lambda$), l'article propose d'utiliser l'optimisation convexe en ligne (spécifiquement l'étape de Newton en ligne avec Follow-The-Leading-History) pour apprendre la séquence de $\lambda_{t,j}$ de manière adaptative. Cela garantit un regret logarithmique, maintenant la validité des ensembles de confiance tout en optimisant leur taille.

Contributions Clés

1. Premier Cadre Général Sans Hypothèse de Distribution : L'article introduit le premier cadre pour la localisation de points de changement post-détection qui fournit des garanties de couverture en échantillon fini sans nécessiter la connaissance de $F_0$ ou $F_1$, ni supposer des classes de distribution disjointes ($P_0 \cap P_1 = \emptyset$).
2. Découplage de la Détection et de l'Inférence : La méthode permet à n'importe quel détecteur séquentiel (incluant ceux basés sur l'ARL ou le contrôle de la PFA) d'être enveloppé par une couche d'inférence sans hypothèse de distribution.
3. Constructions Unilatérales et Bilatérales : Les auteurs développent des constructions distinctes pour les bornes inférieures et supérieures, reconnaissant l'asymétrie intrinsèque de la localisation séquentielle. Ils prouvent la couverture en échantillon fini pour les deux.
4. Limites Non-Asymptotiques et Asymptotiques :
   • Échantillon Fini : Des bornes explicites sur la taille conditionnelle attendue des ensembles de confiance sont dérivées.
   • Asymptotique : Sous des régimes appropriés (où le délai de détection croît de façon logarithmique avec le point de changement $T$), la taille attendue de l'ensemble de confiance est montrée comme restant uniformément bornée (ou croissant de façon sous-linéaire), même sans hypothèses de distribution.
5. Estimation Pratique des Probabilités de la Loi Nulle : Une méthode pour estimer le terme de normalisation critique $\hat{r}_t$ via simulation de Monte Carlo utilisant des données i.i.d. arbitraires, contournant ainsi le besoin de la distribution nulle spécifique $F_0$.

Résultats

Résultats Théoriques

• Couverture : Le Théorème 1 et le Théorème 2 établissent que les ensembles inférieur et supérieur atteignent une couverture conditionnelle d'au moins $1-\alpha$ et $1-\beta$, respectivement. Le Corollaire 1 étend cela à l'ensemble bilatéral.
• Bornes de Taille :
  • Théorèmes 3 & 4 : Pour l'ensemble de confiance inférieur, la longueur attendue pré-changement est de $O(1)$ ou $O(\log T)$ selon la force du signal $\delta$ et le régime de délai de détection.
  • Théorèmes 5 & 6 : Pour l'ensemble de confiance supérieur, la longueur attendue post-changement est de $O(1)$ sous des conditions de base sur la distribution du temps d'arrêt du détecteur.
  • Théorèmes 7 & 10 : La taille combinée de l'ensemble bilatéral est uniformément bornée ou croît très lentement (sous-linéairement) en $T$ sous des régimes asymptotiques appropriés.
• Apprentissage Adaptatif : Les Théorèmes 8, 9 et 10 montrent que l'utilisation de l'apprentissage en ligne pour les calibrateurs (avec un regret logarithmique) préserve ces bornes, avec seulement des ajustements mineurs aux constantes.

Résultats Empiriques

Les auteurs valident la méthode sur trois jeux de données :

1. Changement de Moyenne Gaussienne : Simulations avec $N(-1, 1) \to N(1, 1)$. La méthode localise avec succès le point de changement avec des intervalles de confiance serrés (ex: largeur $\approx 5$ pour $T=500$).
2. Changement de Chiffres MNIST : Un environnement de haute dimension où la distribution passe du chiffre '3' au '7' (ou des distributions mixtes). En utilisant un CNN pré-entraîné pour le scoring, la méthode a obtenu des intervalles nets (ex: $[395, 400]$ pour $T=400$).
3. Jeu de Données Qualité du Vin : Une application réelle simulant un passage du vin blanc au vin rouge. La borne inférieure de confiance a été identifiée à 387 (pour un vrai $T=400$), permettant aux opérateurs de certifier les échantillons jusqu'au temps 386 comme étant "blancs" avec une confiance de 90 %.

Signification et Revendications

L'article affirme fournir le premier cadre général sans hypothèse de distribution pour la localisation séquentielle de points de changement avec des garanties de couverture post-détection valides.

• Motivation : Dans les systèmes réels (surveillance industrielle, sécurité réseau), les mécanismes générateurs de données sont souvent complexes, de haute dimension et mal spécifiés, rendant la modélisation distributionnelle fiable irréaliste. Les méthodes existantes exigeant des $F_0/F_1$ connus ou des classes disjointes sont peu réalistes dans ces contextes.
• Avantage sur les Travaux Antérieurs : Contrairement à Saha et Ramdas (2026), qui nécessite $P_0 \cap P_1 = \emptyset$, ce cadre permet $P_0 = P_1 = \mathcal{P}$ (l'univers de toutes les distributions), exigeant seulement que la $F_0$ et $F_1$ réalisées soient distinctes ($F_0 \neq F_1$).
• Utilité Pratique : La borne de confiance inférieure est particulièrement utile pour le contrôle qualité, fournissant un "seuil de temps de sécurité" après lequel un système est garanti d'être dans un état post-changement (potentiellement défectueux), permettant une isolation ciblée des produits affectés.
• Robustesse : La validité de la procédure ne repose pas sur des hypothèses de modélisation ; les modèles (ex: pour le scoring) n'affectent que l'efficacité statistique (la taille de l'intervalle), et non la validité de la garantie de couverture.

Les auteurs concluent qu'une localisation de point de changement fiable est possible même sans hypothèses de distribution, offrant un outil conceptuellement simple et largement applicable pour l'analyse séquentielle. Des travaux futurs sont suggérés pour étendre cette méthode aux contextes multi-flux.