📊 statistics

Post-detection inference for sequential changepoint localization

यह शोध पत्र किसी भी स्वैच्छिक अनुक्रमिक एल्गोरिदम (sequential algorithm) द्वारा पता लगाने के बाद, परिवर्तन बिंदु के स्थान (location) और परिमाण (magnitude) के लिए कॉन्फिडेंस सेट्स (confidence sets) का निर्माण करने हेतु पहला सामान्य, गैर-पैरामीट्रिक और गैर-अनंतस्पर्शी रूप से वैध (non-asymptotically valid) ढांचा प्रस्तुत करता है, जिसमें परिवर्तन-पश्चात वितरण या अवलोकन स्थान (observation space) पर किसी धारणा की आवश्यकता नहीं होती है।

मूल लेखक: Aytijhya Saha, Aaditya Ramdas

प्रकाशित 2026-04-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Aytijhya Saha, Aaditya Ramdas

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप कोहरे से भरे पानी में चलते हुए एक जहाज के कप्तान हैं। आपके पास एक बहुत ही संवेदनशील अलार्म सिस्टम (एक सीक्वेंशियल चेंजपॉइंट डिटेक्टर) है जो तब ज़ोर से बीप करता है जब वह कुछ बदलते हुए महसूस करता है—शायद पानी का तापमान बदल गया हो, या धारा की दिशा बदल गई हो।

अलार्म समय $\tau$ (टाऊ) पर बजता है। आप जानते हैं कि कुछ हुआ है, लेकिन आप यह नहीं जानते कि वह कब हुआ। क्या वह 5 मिनट पहले हुआ था? 50 मिनट पहले? या क्या वह सिर्फ एक तकनीकी खराबी (फॉल्स अलार्म) थी?

यह शोध पत्र एक बहुत ही विशिष्ट, पेचीदा समस्या को हल करता है: अलार्म बजने के तुरंत बाद, बिना यह जाने कि अलार्म सिस्टम वास्तव में कैसे काम करता है, आप "कब" बदलाव हुआ था, इसका एक नक्शा (मैप) कैसे बना सकते हैं?

यहाँ उनके समाधान का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: "ब्लैक बॉक्स" अलार्म

मौजूदा तरीकों में से अधिकांश का उपयोग करना वैसा ही है जैसे आँखों पर पट्टी बाँधकर कार के इंजन को ठीक करने की कोशिश करना, लेकिन आपको केवल तभी इंजन देखने की अनुमति है जब आप कार के सटीक ब्रांड और मॉडल को जानते हों।

पुराने तरीके: वे केवल तभी काम करते हैं जब आप डेटा के "नियमों" को जानते हों (जैसे, "डेटा हमेशा एक परफेक्ट बेल कर्व है") और यदि आपने एक विशिष्ट, क्लासिक अलार्म (जैसे CUSUM डिटेक्टर) का उपयोग किया हो। यदि आप एक आधुनिक, जटिल AI अलार्म का उपयोग करते हैं या यदि डेटा अव्यवस्थित है, तो पुराने तरीके विफल हो जाते हैं।
लेखकों का लक्ष्य: वे एक ऐसा तरीका चाहते हैं जो किसी भी अलार्म सिस्टम (एक "ब्लैक बॉक्स") के साथ काम कर सके। आप बस डेटा डालें, अलार्म का समय प्राप्त करें, और वे आपको एक कॉन्फिडेंस मैप दे देंगे।

2. बड़ी समझ: "रुको, क्या अलार्म ने झूठ बोला?"

लेखकों ने महसूस किया कि यदि आपका अलार्म सिस्टम बहुत संवेदनशील होने के लिए डिज़ाइन किया गया है (ताकि वह बदलावों को जल्दी पकड़ सके), तो यह कभी-कभी गलती से भी बज जाएगा (एक फॉल्स अलार्म)।

यदि अलार्म वास्तव में बदलाव होने से पहले बज जाता है, तो यह कहना असंभव है कि "बदलाव समय X पर हुआ था" 100% निश्चितता के साथ, क्योंकि बदलाव शायद कभी होगा ही नहीं!
समाधान: "हम 95% सुनिश्चित हैं कि बदलाव हुआ" का वादा करने के बजाय, वे वादा करते हैं: "यदि अलार्म वास्तव में सही था (अर्थात, बदलाव वास्तव में अलार्म से पहले हुआ था), तो हम 95% सुनिश्चित हैं कि बदलाव इस समय अंतराल (टाइम विंडो) के भीतर हुआ था।"
- उपमा: यह एक सुरक्षा गार्ड की तरह है जो कहता है, "यदि वह व्यक्ति वास्तव में एक चोर था, तो हम 95% सुनिश्चित हैं कि वह मुख्य दरवाजे से अंदर आया था।" यदि व्यक्ति निर्दोष था, तो यह कथन लागू नहीं होता, लेकिन यदि वह दोषी था, तो तर्क बना रहता है।

3. टूलकिट: "E-Processes" (जादुई धन की थैलियाँ)

अपना कॉन्फिडेंस मैप बनाने के लिए, लेखक e-processes नामक एक गणितीय उपकरण का उपयोग करते हैं।

उपमा: कल्पना कीजिए कि आप एक सिक्के के उछाल पर दांव लगा रहे हैं।
- यदि सिक्का निष्पक्ष है (कोई बदलाव नहीं), तो आपकी "धन की थैली" (e-process) कभी भी बहुत बड़ी नहीं होगी।
- यदि सिक्का पक्षपाती है (बदलाव हुआ), तो आपकी धन की थैली के मूल्य में विस्फोट होगा।
लेखक दो प्रकार की थैलियाँ बनाते हैं:
1. फॉरवर्ड बैग्स (Forward Bags): वे संदिग्ध बदलाव के समय के बाद के डेटा को देखते हैं। यदि बदलाव वहां हुआ, तो थैली धन से भर जाएगी।
2. बैकवर्ड बैग्स (Backward Bags): वे संदिग्ध बदलाव के समय से पहले के डेटा को देखते हैं। यदि बदलाव वहां हुआ, तो यह थैली भर जाएगी।
वे हर उस संभावित समय की जाँच करते हैं जब बदलाव हो सकता था। यदि "धन की थैलियाँ" छोटी रहती हैं, तो वह समय चांगपॉइंट का एक अच्छा उम्मीदवार है। यदि थैलियाँ बहुत बड़ी हो जाती हैं, तो वह समय चांगपॉइंट होने की संभावना कम है।

4. दो विधियाँ: "यूनिवर्सल" बनाम "एडेप्टिव"

शोध पत्र दो तरीके प्रदान करता है:

A. यूनिवर्सल विधि (स्विस आर्मी नाइफ)

यह कैसे काम करती है: यह एक "एक-सा-सबके-लिए" (one-size-fits-all) थ्रेशोल्ड का उपयोग करती है। इसे परवाह नहीं है कि डेटा कैसा है (यह इमेज, टेक्स्ट, स्टॉक कीमतें या अजीब डिस्ट्रीब्यूशन हो सकता है)।
पक्ष (Pros): यह किसी भी डेटा और किसी भी अलार्म के साथ काम करती है। यह नॉन-पैरामीट्रिक है (कोई धारणा नहीं)।
विपक्ष (Cons): यह थोड़ी "कंजर्वेटिव" हो सकती है, जिसका अर्थ है कि मैप आवश्यकता से थोड़ा बड़ा हो सकता है (जैसे यह कहना कि "चोर दोपहर 1 बजे से शाम 5 बजे के बीच आया था" जबकि वह वास्तव में दोपहर 2 बजे से 3 बजे के बीच आया था)।
सर्वश्रेष्ठ: अव्यवस्थित, वास्तविक दुनिया के डेटा के लिए जहाँ आप नियम नहीं जानते।

B. एडेप्टिव विधि (कस्टम टेलर)

यह कैसे काम करती है: यदि आप डेटा के नियमों को जानते हैं (जैसे, "यह एक गॉसियन डिस्ट्रीब्यूशन है"), तो यह विधि कंप्यूटर पर हजारों सिमुलेशन चलाती है। यह पूछती है: "यदि बदलाव समय X पर हुआ होता, तो हमारा अलार्म कितनी बार बजता?"
पक्ष (Pros): यह एक बहुत ही सटीक और टाइट मैप बनाती है। यह उस डेटा को भी संभाल सकती है जो "डिपेंडेंट" है (जहाँ आज का डेटा कल के डेटा पर निर्भर करता है, जैसे मौसम या स्टॉक ट्रेंड)।
विपक्ष (Cons): इसके लिए अधिक कंप्यूटर पावर की आवश्यकता होती है और आपको डेटा के सामान्य आकार को जानना आवश्यक है।
सर्वश्रेष्ठ: जब आपके पास एक विशिष्ट मॉडल हो और आपको उच्च सटीकता चाहिए।

5. वास्तविक दुनिया का उदाहरण: सेंटीमेंट शिफ्ट (भावना में बदलाव)

लेखकों ने मूवी रिव्यू (SST-2 डेटासेट से) के स्ट्रीम पर इसका परीक्षण किया।

परिदृश्य: एक फिल्म को शानदार समीक्षाएं मिलना शुरू होती हैं, लेकिन अचानक, एक विशिष्ट बिंदु के बाद, समीक्षाएं नकारात्मक हो जाती हैं।
अलार्म: एक मशीन लर्निंग मॉडल भावना के इस बदलाव का पता लगाता है।
परिणाम: लेखकों की विधि ने केवल यह नहीं कहा कि "बदलाव हुआ!" बल्कि इसने एक विशिष्ट समय सीमा दी (जैसे, "बदलाव संभवतः रिव्यू #480 और #510 के बीच हुआ था")।
यह क्यों मायने रखता है: यदि आप एक स्टूडियो एग्जीक्यूटिव हैं, तो यह जानना कि दर्शक कब और कैसे फिल्म के खिलाफ हुए, आपको यह समझने में मदद करता है कि "क्यों" (जैसे, "ओह, रिव्यू #490 पर एक विशिष्ट प्लॉट ट्विस्ट हुआ था")।

सारांश

यह शोध पत्र इस सवाल का जवाब देने के लिए पहला सामान्य-उद्देश्य वाला टूलकिट प्रदान करता है: "ठीक है, अलार्म बज गया। वास्तव में बदलाव कब हुआ था?"

यह तब भी काम करता है जब आप नहीं जानते कि अलार्म कैसे काम करता है।
यह तब भी काम करता है जब डेटा अजीब या अव्यवस्थित हो।
यह आपको बदलाव के समय के लिए गणितीय रूप से गारंटीकृत "कॉन्फिडेंस ज़ोन" देता है।
यह एक सुपर-स्मार्ट जासूस होने जैसा है जो अपराध स्थल (डेटा) और अलार्म लॉग को देखता है, और टाइमलाइन पर एक घेरा खींचकर कहता है, "अपराध निश्चित रूप से इसी के भीतर हुआ था।"

यहाँ अतीज्या साहा और आदित्य रामदास के शोध पत्र "Post-detection inference for sequential changepoint localization" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र अनुक्रमिक परिवर्तन पहचान (sequential change detection) में एक मौलिक अंतराल को संबोधित करता है: पोस्ट-डिटेक्शन इन्फरेंस (post-detection inference)।

संदर्भ: अनुक्रमिक विश्लेषण (sequential analysis) में, एक डिटेक्टर (एल्गोरिदम $A$ ) डेटा की एक धारा $X_1, X_2, \dots$ की निगरानी करता है और परिवर्तन घोषित करने के लिए एक डेटा-निर्भर समय $\tau$ पर रुक जाता है। डेटा का वितरण एक पूर्व-परिवर्तन वितरण $F_0$ (या वर्ग $\mathcal{P}_0$ ) से एक पश्चात-परिवर्तन वितरण $F_1$ (या वर्ग $\mathcal{P}_1$ ) में एक अज्ञात समय $T$ पर बदल जाता है।
चुनौती: एक बार जब $\tau$ प्राप्त हो जाता है, तो मानक विधियाँ केवल स्टॉपिंग टाइम (stopping time) प्रदान करती हैं। वे वास्तविक चेंजपॉइंट (changepoint) $T$ के लिए एक सांख्यिकीय रूप से वैध कॉन्फिडेंस सेट (confidence set) प्रदान नहीं करती हैं।
अनकंडीशनल कवरेज की असंभवता (Impossibility of Unconditional Coverage): लेखक सिद्ध करते हैं कि किसी भी डिटेक्टर के लिए, जिसका फॉल्स अलार्म (false alarm) के लिए सीमित औसत रन लेंथ (Average Run Length - ARL) हो, एक ऐसा कॉन्फिडेंस सेट $C \subseteq \{1, \dots, \tau\}$ बनाना असंभव है जो अनकंडीशनल कवरेज $P(T \in C) \ge 1-\alpha$ को संतुष्ट करे। ऐसा इसलिए है क्योंकि यदि डिटेक्टर जल्दी रुक जाता है (फॉल्स अलार्म, $\tau < T$ ), तो सेट $\{1, \dots, \tau\}$ में वास्तविक $T$ होने की कोई संभावना नहीं है।
समाधान का लक्ष्य: इस शोध पत्र का लक्ष्य कंडीशनल कवरेज (conditional coverage) वाले कॉन्फिडेंस सेट्स का निर्माण करना है:
$P(T \in C \mid \tau \ge T) \ge 1 - \alpha$
यह सुनिश्चित करता है कि यदि डिटेक्टर ने सही ढंग से परिवर्तन की पहचान की है (वास्तविक चेंजपॉइंट के बाद रुका है), तो कॉन्फिडेंस सेट उच्च प्रायिकता के साथ वास्तविक $T$ को समाहित करता है।

2. कार्यप्रणाली (Methodology)

लेखक e-processes (एनीटाइम-वैलिड इन्फरेंस के लिए एक आधुनिक उपकरण) का उपयोग करके हाइपोथेसिस टेस्ट्स को इनवर्ट (inverting hypothesis tests) करने पर आधारित एक सामान्य ढांचा प्रस्तावित करते हैं।

A. मुख्य ढांचा (Universal Method)

यह विधि शून्य परिकल्पना (null hypothesis) $H_{0,t}$ : "परिवर्तन समय $t$ पर हुआ था" के परीक्षणों को इनवर्ट करके एक कॉन्फिडेंस सेट $C$ का निर्माण करती है।

टेस्ट स्टैटिस्टिक ( $M_t$ ): एक संभावित चेंजपॉइंट $t$ $t$ के लिए, स्टैटिस्टिक $H_{0,t}$ $H_{0, t}$ के तहत डेटा की संभावना (likelihood) की तुलना उस संभावना से करता है जहाँ परिवर्तन पहले या बाद में हुआ हो।
- यह फॉरवर्ड e-processes ( $R_n^{(t)}$ ) का उपयोग करता है जो यह प्रमाण संचित करते हैं कि परिवर्तन $t$ पर या उससे पहले हुआ था (post-change regime)।
- यह बैकवर्ड e-processes ( $S_n^{(t)}$ ) का उपयोग करता है जो यह प्रमाण संकलित करते हैं कि परिवर्तन $t$ के बाद हुआ था (pre-change regime)।
- $M_t = \max(\max_{t \le n \le \tau} R_n^{(t)}, \max_{1 \le n < t} S_n^{(t)})$ ।
थ्रेशोल्डिंग (Thresholding): सेट को $C = \{t \le \tau : M_t < \text{Threshold}\}$ के रूप में परिभाषित किया गया है।
अज्ञात स्टॉपिंग प्रोबेबिलिटीज को संभालना: कंडीशनल कवरेज गारंटी प्राप्त करने के लिए, थ्रेशोल्ड को शून्य (null) के तहत रुकने की प्रायिकता ( $P_{F_0, \infty}(\tau \ge t)$ $P_{F_{0}, \infty} (τ \geq t)$ ) को ध्यान में रखना चाहिए।
- यूनिवर्सल थ्रेशोल्ड: लेखक एक यूनिवर्सल बाउंड ( $2/\alpha$ ) के साथ प्री-चेंज डिस्ट्रीब्यूशन के तहत मोंटे कार्लो सिमुलेशन के माध्यम से प्राप्त एक अनबायस्ड एस्टिमेटर $r_t$ का उपयोग करने का प्रस्ताव देते हैं।
- थ्योरम 2: सिद्ध करता है कि यदि प्री-चेंज डिस्ट्रीब्यूशन ज्ञात है, तो सेट $C = \{t \le \tau : M_t < 2/(\alpha r_t)\}$ गैर-एसिम्प्टोटिक रूप से (non-asymptically) कंडीशनल कवरेज गारंटी को संतुष्ट करता है।

B. विस्तार (Extensions)

कंपोजिट प्री-चेंज क्लासेस (Composite Pre-change Classes): जब $F_0$ अज्ञात हो (वर्ग $\mathcal{P}_0$ से संबंधित हो), तो विधि लीस्ट फवेरेबल डिस्ट्रीब्यूशन (LFD) जोड़ी के अस्तित्व पर निर्भर करती है। धारणा 1 (कि एक LFD मौजूद है और स्टॉपिंग प्रोबेबिलिटीज पर हावी है) के तहत, विधि वैध कवरेज प्रदान करने के लिए विस्तारित होती है (थ्योरम 4)।
एडेप्टिव मेथड्स (पैरामेट्रिक सेटिंग्स): उन पैरामेट्रिक सेटिंग्स के लिए जहाँ डिस्ट्रीब्यूशन ज्ञात हैं या पैरामेट्रिक परिवारों से संबंधित हैं, लेखक सिमुलेशन-आधारित एडेप्टिव थ्रेशोल्ड्स का प्रस्ताव करते हैं।
- एक यूनिवर्सल बाउंड के बजाय, वे विशिष्ट शून्य परिकल्पना के तहत $M_t$ के डिस्ट्रीब्यूशन को सिम्युलेट करके सटीक क्वांटाइल (quantile) पाते हैं।
- यह डिपेंडेंट डेटा (जैसे मार्कोव चेन) को संभालता है जहाँ बैकवर्ड e-processes का निर्माण करना कठिन होता है।
- यह पैरामीटर स्पेस पर इंटीग्रेशन करने के लिए कॉन्फिडेंस सीक्वेंसज (CS) का उपयोग करके कंपोजिट पोस्ट-चेंज पैरामीटर्स को भी संभालता है।

C. पैरामीटर इन्फरेंस (Parameter Inference)

यह ढांचा प्री- और पोस्ट-चेंज पैरामीटर्स ( $\theta_0, \theta_1$ ) का अनुमान लगाने के लिए स्वाभाविक रूप से विस्तारित होता है। एक उम्मीदवार $t \in C$ को फिक्स करके, एक कॉन्फिडेंस सीक्वेंस का उपयोग करके डेटा सेगमेंट के माध्यम से पैरामीटर्स का अनुमान लगाया जा सकता है, और फिर इन सेट्स को सभी $t \in C$ पर यूनियन किया जा सकता है।

3. प्रमुख योगदान (Key Contributions)

प्रथम सामान्य पोस्ट-डिटेक्शन फ्रेमवर्क: यह पहला तरीका है जो एक नॉनपैरामीट्रिक, नॉन-एसिम्प्टोटिक कॉन्फिडेंस सेट प्रदान करता है जो डिटेक्शन एल्गोरिदम के प्रति उदासीन (agnostic) है (यह CUSUM, e-डिटेक्टर्स, ML-आधारित डिटेक्टर्स आदि के साथ काम करता है)।
सैद्धांतिक गारंटी:
- सीमित-ARL डिटेक्टर्स के लिए अनकंडीशनल कवरेज की असंभवता को सिद्ध करता है।
- ज्ञात और कंपोजिट प्री-चेंज क्लासेस दोनों के लिए कठोर कंडीशनल कवरेज गारंटी स्थापित करता है।
- कॉन्फिडेंस इंटरवल्स के अपेक्षित आकार (चौड़ाई) के लिए बाउंड प्रदान करता है।
डिपेंडेंस को संभालना: जबकि यूनिवर्सल मेथड बैकवर्ड e-processes के लिए इंडिपेंडेंस (स्वतंत्रता) मानता है, एडेप्टिव सिमुलेशन-आधारड मेथड डिपेंडेंट डेटा (जैसे मार्कोव प्रोसेस) के लिए काम करता है।
ब्लैक-बॉक्स कम्पैटिबिलिटी: यह विधि डिटेक्शन एल्गोरिदम को एक "ब्लैक बॉक्स" के रूप में मानती है, जिसे केवल सिम्युलेटेड डेटा पर इसे चलाने की आवश्यकता होती है। यह इसे जटिल आधुनिक पाइपलाइनों (जैसे डीप लर्निंग-आधारित विसंगति पहचान) के लिए लागू करने योग्य बनाता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखक अपने तरीकों को व्यापक सिमुलेशन और एक वास्तविक दुनिया के टेक्स्ट सेंटीमेंट प्रयोग (SST-2 डेटासेट) के माध्यम से सत्यापित करते हैं।

कवरेज: प्रस्तावित कॉन्फिडेंस सेट्स लगातार लक्षित कवरेज (जैसे 90% या 95%) के करीब या उससे अधिक कंडीशनल कवरेज प्राप्त करते हैं, जबकि मौजूदा एसिम्प्टोटिक विधियाँ (जैसे वु, 2007 द्वारा) परिमित नमूनों (finite samples) में महत्वपूर्ण अंडरकवरेज प्रदर्शित करती हैं।
साइज (चौड़ाई): कॉन्फिडेंस सेट्स का आकार उचित है।
- एडेप्टिव बनाम यूनिवर्सल: पैरामेट्रिक सेटिंग्स में, एडेप्टिव (सिमुलेशन-आधारित) विधि यूनिवर्सल विधि की तुलना में टाइट (छोटे) इंटरवल प्रदान करती है।
- नॉनपैरामेट्रिक: यूनिवर्सल विधि तब भी अच्छा प्रदर्शन करती है जब डिस्ट्रीब्यूशन अज्ञात हो (जैसे हूबर-रोबस्ट सेटिंग्स, नॉन-गौसियन पोस्ट-चेंज)।
डिपेंडेंस: एडेप्टिव विधि डिपेंडेंट डेटा (मार्कोव चेन) में सफलतापूर्वक चेंजपॉइंट को स्थानीयकृत (localize) करती है, एक ऐसी स्थिति जहाँ पिछली विधियाँ विफल रहती हैं।
रियल डेटा: SST-2 डेटासेट पर लागू किया गया, जिसने पॉजिटिव से नेगेटिव सेंटीमेंट में बदलाव का पता लगाया और सफलतापूर्वक एक वैध कॉन्फिडेंस सेट के साथ चेंजपॉइंट को स्थानीयकृत किया।

5. महत्व (Significance)

एक महत्वपूर्ण अंतराल को भरना: अनुक्रमिक परिवर्तन पहचान ऐतिहासिक रूप से कब रुकना है पर केंद्रित रही है, और यह अनदेखा करती है कि वास्तविक परिवर्तन कहाँ हुआ था। यह शोध पत्र वह लुप्त इन्फेरेंशियल टूल प्रदान करता है।
व्यावहारिक प्रयोज्यता: अपने डिटेक्शन एल्गोरिदम और डिस्ट्रीब्यूशनल धारणाओं के प्रति उदासीन होने के कारण, यह विधि पारंपरिक पैरामेट्रिक धारणाओं (जैसे एक्सपोनेंशियल फैमिली) के बिना भी जटिल, उच्च-आयामी डेटा स्ट्रीम (छवियां, टेक्स्ट आदि) के लिए तुरंत लागू करने योग्य है।
मजबूती (Robustness): इसकी नॉन-एसिम्प्टोटिक प्रकृति परिमित नमूनों में वैधता सुनिश्चित करती है, जो वास्तविक समय के अनुप्रयोगों के लिए महत्वपूर्ण है जहाँ एसिम्प्टोटिक सन्निकटन (approximations) गलत हो सकते हैं।
भविष्य के कार्य के लिए आधार: e-processes और कॉन्फिडेंस सीक्वेंसज का उपयोग अनुक्रमिक सेटिंग में वैध इन्फरेंस के लिए एक नया मानक स्थापित करता है, जो CUSUM प्रक्रिया और एक्सपोनेंशियल फैमिली धारणाओं की सीमाओं से आगे जाता है।

संक्षेप में, साहा और रामदास एक सैद्धांतिक रूप से सुदृढ़, लचीला और व्यावहारिक ढांचा प्रस्तुत करते हैं जो एक अनुक्रमिक डिटेक्टर के "स्टॉपिंग टाइम" को एक पूर्ण "कॉन्फिडेंस सेट" में बदल देता है, जो न्यूनतम धारणाओं के तहत और किसी भी डिटेक्शन एल्गोरिदम के लिए वैध है।