📊 statistics

focus and focus-cpt: Fast Online Changepoint Detection in R and Python

यह शोध पत्र R और Python के लिए `focus` और `focus-cpt` सॉफ्टवेयर पैकेज प्रस्तुत करता है, जो एकचर (univariate) और बहुचर (multivariate) डेटा स्ट्रीम्स में तेज़ ऑनलाइन चेंजपॉइंट डिटेक्शन के लिए सटीक, कुशल एल्गोरिदम के एक परिवार को लागू करते हैं, जो सन्निकटन (approximations) के बिना लॉगरिदमिक कम्प्यूटेशनल जटिलता प्राप्त करने के लिए चेंजपॉइंट उम्मीदवारों और डेटा संरचना के बीच ज्यामितीय संबंध का लाभ उठाते हैं।

मूल लेखक: Gaetano Romano, Kes Ward, Yuntang Fan, Guillem Rigaill, Vincent Runge, Idris A. Eckley, Paul Fearnhead

प्रकाशित 2026-07-23

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Gaetano Romano, Kes Ward, Yuntang Fan, Guillem Rigaill, Vincent Runge, Idris A. Eckley, Paul Fearnhead

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

अचानक आए बदलाव को पहचानने का विज्ञान

कल्पना कीजिए कि आप एक नदी को देख रहे हैं। अधिकांश समय, पानी एक स्थिर, अनुमानित गति से बहता है। लेकिन अचानक, एक विशाल चट्टान गिर जाती है, या एक छिपा हुआ झरना फूट पड़ता है, और धारा तुरंत बदल जाती है। डेटा विज्ञान की दुनिया में, इसे चेंजपॉइंट डिटेक्शन (changepoint detection) कहा जाता है। यह उस सटीक क्षण को पहचानने की कला है जब कोई प्रक्रिया एक व्यवहार से दूसरे व्यवहार में बदल जाती है। चाहे वह अनियमित दिल की धड़कन का पता लगाने वाला हार्ट मॉनिटर हो, एक सेल्फ-ड्राइविंग कार जो फुटपाथ से नीचे उतरते पैदल यात्री को नोटिस करती है, या एक सैटेलाइट जो गहरे अंतरिक्ष से ऊर्जा के विस्फोट को महसूस करता है, वास्तविक समय (real-time) में इन "चट्टानों" को खोजना अत्यंत महत्वपूर्ण है।

हालाँकि, इसमें एक पेंच है। जैसे-जैसे डेटा स्ट्रीम आता है—प्रति सेकंड लाखों बिंदु—बदलाव की हर एक संभावना की जाँच करना एक कम्प्यूटेशनल दुःस्वप्न बन जाता है। यह समुद्र तट पर रेत के हर एक कण को मापने की कोशिश करने जैसा है, ताकि हर बार नया कण आने पर यह पता लगाया जा सके कि वह कहाँ से आया। यहीं पर ऑनलाइन चेंजपॉइंट डिटेक्शन (online changepoint detection) काम आता है: बदलाव को होते ही खोजने की चुनौती, बिना अतीत में उलझे। यह शोध पत्र इस समस्या को एक नए, बिजली जैसी तेज़ टूलकिट के साथ हल करता है, जिसे साधारण तापमान रीडिंग से लेकर जटिल, बहु-आयामी संकेतों तक, डेटा स्ट्रीम में इन बदलावों को पकड़ने के लिए डिज़ाइन किया गया है, और वह भी वास्तविक समय के निर्णयों के लिए पर्याप्त तेज़ गति से।

शोध पत्र: डेटा स्ट्रीम्स के लिए एक 'स्पीड डेमन'

लेखक, सांख्यिकीविदों और कंप्यूटर वैज्ञानिकों की एक टीम ने focus (और इसका पायथन जुड़वां, focus-cpt) नामक एक नया सॉफ्टवेयर पैकेज बनाया है, जो डेटा स्ट्रीम के लिए एक अत्यंत कुशल जासूस की तरह कार्य करता है। उनकी मुख्य खोज यह है कि वे "जनरलाइज्ड लाइकलीहुड रेशियो" (GLR)—एक फैंसी सांख्यिकीय परीक्षण जो पूछता है, "क्या अभी कुछ बदला है?"—को अविश्वसनीय गति से और बिना किसी समझौते के गणना कर सकते हैं।

आमतौर पर, संख्याओं की एक लंबी सूची में बदलाव की जाँच करना धीमा होता है। यदि आपके पास $n$ डेटा बिंदु हैं, तो एक साधारण (naive) विधि को बदलाव के लिए हर संभावित शुरुआती बिंदु की जाँच करनी पड़ती है, जिसमें बहुत अधिक कंप्यूटर शक्ति (विशेष रूप से, $O(n^2)$ ऑपरेशन्स) लगती है। लेखक दिखाते हैं कि उनका नया तरीका, focus एल्गोरिदम, यही गणना बहुत अधिक तेज़ी से कर सकता है। रेत के हर एक कण की जाँच करने के बजाय, वे एक चतुर ज्यामितीय ट्रिक का उपयोग करते हैं। वे डेटा बिंदुओं को एक आकार (कन्वेक्स हल - convex hull) के रूप में देखते हैं और महसूस करते हैं कि इस आकार के केवल "कोने" (corners) ही महत्वपूर्ण हैं। इस आकार के भीतर के बिंदुओं को अनदेखा करके, वे उम्मीदवारों की सूची को एक छोटे, प्रबंधनीय आकार तक कम कर सकते हैं। इसका अर्थ है कि डेटा स्ट्रीम के विशाल होने पर भी बदलाव की जाँच करने में लगने वाला समय बहुत धीरे (लॉगारिदमिक रूप से) बढ़ता है, जो इसे वास्तविक समय के अनुप्रयोगों के लिए उपयुक्त बनाता है।

लेखक किन बातों को खारिज करते हैं:
लेखक गति बढ़ाने के लिए "अनुमानों" (approximations) का उपयोग करने के विरुद्ध स्पष्ट रूप से तर्क देते हैं। कई अन्य तरीके समय बचाने के लिए उत्तर का अनुमान लगाने या गणित को सरल बनाने की कोशिश करते हैं, लेकिन लेखक इस बात पर जोर देते हैं कि उनका तरीका GLR सांख्यिकी की सटीक (exactly) गणना करता है। वे सिद्ध करते हैं कि आपको गति के लिए सटीकता का त्याग करने की आवश्यकता नहीं है; आप धीमी प्रोसेसिंग के बिना सटीक उत्तर प्राप्त कर सकते हैं। वे इस विचार को भी खारिज करते हैं कि हर बार नया बिंदु आने पर आपको डेटा के पूरे इतिहास को फिर से स्कैन करना होगा। उनका तरीका "संदिग्धों" (उम्मीदवार चेंजपॉइंट्स) की सूची को क्रमिक रूप से अपडेट करता है, और उन्हें हटा देता है जो अब प्रासंगिक नहीं रह गए हैं।

वे कितने आश्वस्त हैं?
शोध पत्र इस पद्धति को एक गणितीय तथ्य के रूप में प्रस्तुत करता है: एल्गोरिदम सटीक सांख्यिकी की गणना करता है। हालाँकि, प्रदर्शन के दावे—विशेष रूप से यह कि यह वास्तविक समय के उपयोग के लिए पर्याप्त तेज़ है और जटिल परिदृश्यों में अच्छी तरह काम करता है—सिमुलेशन और प्रदर्शनों द्वारा समर्थित हैं, न कि हर संभावित वास्तविक दुनिया के परिदृश्य के लिए एक सार्वभौमिक प्रमाण द्वारा। लेखक विभिन्न उदाहरणों (सिम्युलेटेड डेटा और वास्तविक दुनिया के केस स्टडीज) के माध्यम से दिखाते हैं कि यह पद्धति विज्ञापन के अनुसार काम करती है। उदाहरण के लिए, अपने सिमुलेशन में, वे दिखाते हैं कि 6-आयामी डेटासेट के लिए, उनका "प्रोजेक्शन" अनुमान, पूर्ण विधि (10.409 सेकंड) की तुलना में काफी तेज़ (लगभग 0.166 सेकंड) है, जबकि परिणाम लगभग समान (केवल 0.0037 का औसत सापेक्ष अंतर) हैं।

टूलकिट: यह वास्तव में कैसे काम करता है

यह पैकेज R और Python दोनों के लिए उपलब्ध है, जो डेटा साइंस की दो लोकप्रिय भाषाएँ हैं, और उनका एक ही "मस्तिष्क" (C++ बैकएंड) है, जिसका अर्थ है कि वे समान परिणाम देते हैं। यह वैज्ञानिकों के लिए अपने तर्क को बदले बिना भाषाओं के बीच स्विच करना आसान बनाता है।

यह टूलकिट अविश्वसनीय रूप से लचीला है। यह संभाल सकता है:

साधारण डेटा: जैसे संख्याओं की एक एकल स्ट्रीम (जैसे तापमान)।
जटिल डेटा: एक साथ कई स्ट्रीम (जैसे उपग्रह पर लगा एक सेंसर जो गर्मी, दबाव और विकिरण को एक साथ माप रहा है)।
डेटा के विभिन्न प्रकार: यह उन डेटा के साथ काम करता है जो विशिष्ट पैटर्न का पालन करते हैं (जैसे गॉसियन वितरण का बेल कर्व, या पॉइसन वितरण में घटनाओं की गिनती) और यहाँ तक कि ऐसे डेटा के साथ भी जहाँ आप पैटर्न को नहीं जानते (नॉन-पैरामीट्रिक)।

लेखक इस लचीलेपन को कुछ शानदार वास्तविक दुनिया के उदाहरणों के साथ प्रदर्शित करते हैं:

NBA बास्केटबॉल: उन्होंने क्लीवलैंड कैवेलियर्स के "प्लस-माइनस" स्कोर का विश्लेषण किया। एक कस्टम डिटेक्टर का उपयोग करके, जो औसत स्कोर और स्कोर की परिवर्तनशीलता (variability) दोनों में बदलाव को देखता था, उन्होंने सफलतापूर्वक उस क्षण को चिह्नित किया जब टीम के प्रदर्शन में बदलाव आया, जो एक प्रसिद्ध खिलाड़ी की वापसी के साथ मेल खाता था।
गामा-रे बर्स्ट (Gamma-Ray Bursts): अंतरिक्ष की विशालता में, गामा-रे बर्स्ट ऊर्जा के तीव्र विस्फोट होते हैं जो केवल एक सेकंड के अंश तक चलते हैं। लेखकों ने उपग्रह डेटा से वास्तविक समय में इन विस्फोटों का पता लगाने के लिए अपने पायथन टूल का उपयोग किया। क्योंकि यह टूल बहुत तेज़ है, यह विस्फोट के सबसे महत्वपूर्ण क्षण की पहचान उसके होते ही कर सकता है, बिना यह जाने कि विस्फोट पहले से कितनी देर तक चलेगा।
ब्रेन स्पाइक्स (Brain Spikes): उन्होंने टूल को कैल्शियम इमेजिंग डेटा पर लागू किया, जो न्यूरॉन्स की विद्युत गतिविधि को मापता है। दो डिटेक्टरों का उपयोग करके—एक ऊपर की ओर स्पाइक्स देखने के लिए और एक नीचे की ओर गिरावट देखने के लिए—वे वास्तविक समय में यह निष्कर्ष निकाल सके कि न्यूरॉन्स कब सक्रिय हुए, जो "क्लोज्ड-लूप" प्रयोगों के लिए एक महत्वपूर्ण कदम है जहाँ कंप्यूटर मस्तिष्क की गतिविधि पर तुरंत प्रतिक्रिया देता है।

गति के पीछे का "जादू"

यह समझने के लिए कि यह बड़ी बात क्यों है, कल्पना कीजिए कि आप एक भीड़भाड़ वाली सड़क के वीडियो फीड को देख रहे हैं एक सुरक्षा गार्ड। एक साधारण प्रणाली वीडियो को रोक देगी, शुरुआत में वापस जाएगी, और यह देखने के लिए हर फ्रेम की जाँच करेगी कि क्या किसी व्यक्ति ने अपने कपड़े बदले हैं। इसमें बहुत समय लगेगा। focus एल्गोरिदम उस गार्ड की तरह है जो भीड़ की गति के केवल "कोनों" को याद रखता है। यदि कोई व्यक्ति सीधी रेखा में चलता है, तो गार्ड उसे अनदेखा कर देता है। लेकिन जैसे ही कोई तीखा मोड़ लेता है (एक बदलाव), गार्ड तुरंत उसे फ्लैग कर देता है।

शोध पत्र बताता है कि यह "कोना" तर्क डेटा की ज्यामिति से आता है। डेटा को एक विशिष्ट आकार में बदलकर, एल्गोरिदम गणितीय रूप से सिद्ध कर सकता है कि इस आकार के भीतर का कोई भी बिंदु बदलाव की शुरुआत होने की संभावना नहीं है। यह कंप्यूटर को हजारों अनावश्यक जाँचों को तुरंत "प्रून" (छँटाई) करने की अनुमति देता है।

उच्च-आयामी डेटा (जहाँ आपके पास कई सेंसर हैं) के लिए, लेखक एक स्मार्ट शॉर्टकट पेश करते हैं। एक जटिल, बहु-आयामी आकार के कोनों को खोजने की कोशिश करने के बजाय (जो कठिन है), वे डेटा को छोटे, ओवरलैपिंग 2D या 3D स्लाइसों पर प्रोजेक्ट करते हैं, वहां कोने खोजते हैं, और परिणामों को मिलाते हैं। वे अपने सिमुलेशन में दिखाते हैं कि यह "प्रोजेक्शन" विधि पूर्ण आकार की गणना करने की तुलना में बहुत अधिक तेज़ है, फिर भी यह बदलावों को उतनी ही अच्छी तरह से पकड़ लेती है।

यह क्यों मायने रखता है

इस शोध पत्र का अंतिम लक्ष्य उन वैज्ञानिकों और इंजीनियरों को एक सामान्य, तेज़ और सटीक इंटरफ़ेस प्रदान करना है जिन्हें डेटा स्ट्रीम में अभी बदलावों का पता लगाने की आवश्यकता है। चाहे वह पावर ग्रिड के स्वास्थ्य की निगरानी करना हो, साइबर हमले का पता लगाना हो, या न्यूरॉन के सिग्नल को डिकोड करना हो, वास्तविक समय में डेटा को सटीक और कुशलतापूर्वक संसाधित करने की क्षमता एक गेम-चेंजर है। लेखकों ने जटिल सांख्यिकीय सिद्धांत और व्यावहारिक, उपयोगी सॉफ़्टवेयर के बीच के अंतर को सफलतापूर्वक पाट दिया है, यह सिद्ध करते हुए कि आपको तेज़ होने और सही होने के बीच चुनाव करने की आवश्यकता नहीं है। आप दोनों पा सकते हैं।

तकनीकी सारांश: focus और focus-cpt

समस्या विवरण

यह शोध पत्र यूनिवेरिएट (univariate) और मल्टीवेरिएट (multivariate) डेटा स्ट्रीम में तेज ऑनलाइन चेंजपॉइंट डिटेक्शन (changepoint detection) की चुनौती को संबोधित करता है। जबकि ऑफलाइन चेंजपॉइंट डिटेक्शन में महत्वपूर्ण पद्धतिगत प्रगति देखी गई है, इंजीनियरिंग, साइबर सुरक्षा, न्यूरोसाइंस और एस्ट्रोफिजिक्स जैसे वास्तविक दुनिया के अनुप्रयोगों में उच्च-आवृत्ति वाले डेटा के रियल-टाइम विश्लेषण की बढ़ती आवश्यकता है।

मूल सांख्यिकीय समस्या यह परीक्षण करने से जुड़ी है कि क्या किसी डेटा स्ट्रीम के अंतर्निहित वितरण (underlying distribution) में अज्ञात स्थान पर परिवर्तन हुआ है। मानक दृष्टिकोण जनरलाइज्ड लाइकलीहुड रेशियो (GLR) टेस्ट का उपयोग करता है, जो शून्य परिकल्पना (कोई परिवर्तन नहीं) के तहत डेटा की संभावना की तुलना वैकल्पिक परिकल्पना (एक अज्ञात समय $\tau$ पर परिवर्तन हुआ) से करता है। हालांकि, GLR टेस्ट का एक सहज अनुक्रमिक (naive sequential) कार्यान्वयन प्रत्येक टाइम स्टेप पर सभी $n-1$ संभावित चेंजपॉइंट स्थानों का मूल्यांकन करने के लिए प्रति चरण $O(n)$ ऑपरेशन की आवश्यकता रखता है, जिसके परिणामस्वरूप कुल $O(n^2)$ जटिलता होती है। यह कम्प्यूटेशनल बोझ वास्तविक रियल-टाइम अनुप्रयोगों, जिनमें लंबी डेटा स्ट्रीम शामिल हैं, के लिए सटीक GLR टेस्टिंग को अव्यवहारिक बना देता है।

कार्यप्रणाली (Methodology)

यह शोध पत्र focus एल्गोरिदम परिवार को प्रस्तुत करता है, जिसे focus (R) और focus-cpt (Python) पैकेज में लागू किया गया है। ये एल्गोरिदम GLR सांख्यिकी की सटीक (exact) गणना करते हैं (अनुमान के बिना), लेकिन एक $d$ -आयामी अनुक्रम के लिए लगभग $O(\log(n)^d)$ का प्रति-इटरेशन लागत प्राप्त करते हैं।

मुख्य एल्गोरिद्मिक अंतर्दृष्टि (Core Algorithmic Insight)

focus एल्गोरिदम की दक्षता डेटा के रैंडम वॉक (random walk) की ज्यामिति से जुड़े चेंजपॉइंट उम्मीदवारों के स्थान के माध्यम से प्राप्त की जाती है।

कॉन्वेक्स हल (Convex Hulls) के माध्यम से प्रूनिंग: एल्गोरिदम यह पहचानता है कि केवल परिवर्तनों के उम्मीदवारों $\tau$ का एक विशिष्ट उपसमूह ही प्री- और पोस्ट-चेंज पैरामीटर्स $(\theta_0, \theta_1)$ के किसी भी जोड़े के लिए GLR सांख्यिकी के अधिकतम मान (maximizer) के रूप में कार्य कर सकता है।
ज्यामितीय प्रतिनिधित्व: एक डेटा-निर्भर वेक्टर $P(\tau) = (\tau, \sum_{t=1}^\tau T(y_t))$ और एक मॉडल-निर्भर वेक्टर $\psi(\theta_0, \theta_1)$ को परिभाषित करके, लॉग-लाइकेलिहुड रेशियो एक स्केलर प्रोडक्ट $\langle P(\tau), \psi(\theta_0, \theta_1) \rangle$ बन जाता है।
एक्टिव सेट रखरखाव: इस स्केलर प्रोडक्ट को अधिकतम करना $\psi$ की दिशा में सबसे दूर स्थित $\{P(\tau)\}$ के कॉन्वेक्स हल (convex hull) के वर्टेक्स (vertex) को खोजने के समान है। फलस्वरूप, कोई भी उम्मीदवार $\tau$ जिसका $P(\tau)$ कॉन्वेक्स हल के अंदर (interior) स्थित है, उसे स्थायी रूप से हटा (prune) दिया जा सकता है।
कम्प्यूटेशनल जटिलता:
- यूनिवेरिएट: एल्गोरिदम मेलकम (Melkman) एल्गोरिदम से संबंधित एक विधि का उपयोग करके हल के वर्टेक्स को बनाए रखता है, जिससे प्रति इटरेशन एक एम्ोर्टाइज्ड (amortized) $O(1)$ लागत प्राप्त होती है।
- मल्टीवेरिएट: $d$ -आयामी डेटा के लिए, सक्रिय उम्मीदवार सेट का अपेक्षित आकार $O(\log(n)^d)$ के रूप में बढ़ता है। कार्यान्वयन हल को बनाए रखने के लिए रुक-रुक कर क्विकहल (QuickHull) एल्गोरिदम का उपयोग करता है। उच्च आयामों के लिए, एक अनुमान (approximation) सांख्यिकीय प्रदर्शन को बनाए रखते हुए कम्प्यूटेशनल बोझ को कम करने के लिए डेटा को ओवरलैपिंग उपसमुच्चयों के $\tilde{d} \leq 5$ निर्देशांकों पर प्रोजेक्ट करता है।

समर्थित मॉडल (Supported Models)

पैकेज नेचुरल एक्सपोनेंशियल फैमिली और अन्य विशिष्ट संरचनाओं से व्यापक रेंज के मॉडलों का समर्थन करता है:

पैरामीट्रिक मॉडल: गॉसियन (मीन या वेरिएंस में परिवर्तन), पॉइसन, बाइनोमियल, एक्सपोनेंशियल और गामा वितरण।
नॉन-पैरामीट्रिक: एम्पिरिकल क्यूमुलेटिव डिस्ट्रीब्यूशन फंक्शन (eCDF) पर आधारित एक डिटेक्टर, जो समस्या को विभिन्न क्वांटाइल्स (quantiles) में कई बाइनोमियल डिटेक्शन समस्याओं में बदल देता है।
ऑटोरेग्रेसिव (AR): AR( $p$ ) प्रक्रियाओं के लिए एक डिटेक्टर जो टेम्पोरल डिपेंडेंसी और चेंजपॉइंट के तुरंत बाद होने वाले ट्रांजिएंट व्यवहार को ध्यान में रखता है, जिससे सरल प्री-व्हाइटनिंग (pre-whitening) की कमियों से बचा जा सके।

सॉफ्टवेयर कार्यान्वयन

पैकेज R (focus) और Python (focus-cpt) में एक समान इंटरफेस प्रदान करता है, जो एक साझा C++ बैकएंड का उपयोग करता है। यह दोनों भाषाओं में कार्यात्मक समानता और समान परिणाम सुनिश्चित करता है। इंटरफेस निम्नलिखित का समर्थन करता है:

ऑनलाइन (सीक्वेंशियल) मोड: जैसे ही डेटा आता है, डिटेक्टर स्टेट को वृद्धिशील (incrementally) रूप से अपडेट करता है।
ऑफलाइन (बैच) मोड: रेट्रोस्पेक्टिव विश्लेषण या थ्रेशोल्ड कैलिब्रेशन के लिए संपूर्ण डेटासेट को प्रोसेस करता है।
मॉड्यूलरिटी: डिटेक्टर स्टेट (प्रूनिंग लॉजिक) को कॉस्ट फंक्शन्स (सांख्यिकी मूल्यांकन) से अलग करना, जिससे उपयोगकर्ता कोर प्रूनिंग एल्गोरिदम को पुन: लागू किए बिना कस्टम कॉस्ट फंक्शन्स लागू कर सकें।

प्रमुख योगदान (Key Contributions)

लॉगारिदमिक जटिलता के साथ सटीक GLR: प्राथमिक योगदान एक ऐसा एल्गोरिदम है जो सटीक GLR सांख्यिकी की गणना करता है जिसकी कम्प्यूटेशनल लागत अनुक्रम की लंबाई के साथ लॉगरिदमिक रूप से बढ़ती है, जो इसे उन वास्तविक समय के अनुप्रयोगों के लिए उपयुक्त बनाती है जहाँ सहज $O(n^2)$ दृष्टिकोण विफल हो जाते हैं।
एकीकृत ढांचा (Unified Framework): एक ही सॉफ्टवेयर पैकेज जो विविध प्रकार के वितरण (गॉसियन, पॉइसन, आदि), आयाम (यूनिवेरिएट से मल्टीवेरिएट), और डेटा संरचनाओं (i.i.d., नॉन-पैरामीट्रिक, ऑटोरेग्रेसिव) का समर्थन करता है।
ज्यामितीय प्रूनिंग: यह कठोर प्रदर्शन करता है कि कैसे सांख्यिकीय अनुकूलता (statistical optimality) से समझौता किए बिना चेंजपॉइंट उम्मीदवारों के खोज स्थान को कम करने के लिए कॉन्वेक्स हल ज्यामिति का लाभ उठाया जा सकता है।
सुलभता: विविध क्षेत्रों के अभ्यासकर्ताओं द्वारा अपनाने की सुविधा के लिए दोनों R और Python में मजबूत, प्रोडक्शन-रेडी कार्यान्वयन प्रदान करना।

परिणाम और अनुप्रयोग

शोध पत्र सिमुलेटेड उदाहरणों और वास्तविक दुनिया के अनुप्रयोगों के माध्यम से कार्यप्रणाली को सत्यापित करता है:

सिमुलेशन: यह मीन (mean), वेरिएंस (variance) और नॉन-पैरामीट्रिक डिस्ट्रीब्यूशन शिफ्ट में बदलाव का पता लगाने की एल्गोरिदम की क्षमता को प्रदर्शित करता है। यह उच्च-आयामी डेटा के लिए प्रोजेक्शन-आधारित अनुमान की दक्षता को उजागर करता है, जो सांख्यिकीय सटीकता में मामूली कमी के साथ महत्वपूर्ण गति वृद्धि दिखाता है।
NBA प्लस-माइनस स्कोर: क्लीवलैंड कैवेलियर्स गेम डेटा पर टीम के प्रदर्शन (मीन और वेरिएंस) में बदलाव का पता लगाने के लिए लगाया गया। कस्टम कॉस्ट फंक्शन ने सफलतापूर्वक लीब्रोन जेम्स की वापसी के अनुरूप 2014-2015 सीजन के बदलाव की पहचान की, जो वेरिएंस शिफ्ट के विरुद्ध मजबूती प्रदर्शित करता है।
गामा-रे बर्स्ट (GRB) डिटेक्शन: Fermi-GBM डेटा पर GRB250814432 का पता लगाने के लिए उपयोग किया गया। फोकस-आधारित ट्रिगर ने बर्स्ट की अवधि के पूर्व ज्ञान के बिना, रियल-टाइम में बर्स्ट के सबसे महत्वपूर्ण अंतराल की पहचान की, जिसने अनुकूल डिटेक्शन विंडो की पहचान करने में पारंपरिक थ्रेशोल्डिंग विधियों से बेहतर प्रदर्शन किया।
स्पाइक इन्फरेंस (Spike Inference): न्यूरोनल स्पाइक समय का रियल-टाइम में अनुमान लगाने के लिए कैल्शियम इमेजिंग डेटा पर लागू किया गया। दो युग्मित वन-साइडेड डिटेक्टर्स (अप-चेंजेस और डिके के लिए) का उपयोग करके, इस पद्धति ने लो-लेटेंसी प्रोसेसिंग हासिल की जो क्लोज्ड-लूप प्रयोगों के लिए उपयुक्त है।

महत्व

यह शोध पत्र focus पैकेज को कठोर सांख्यिकीय सिद्धांत और रियल-टाइम डेटा विश्लेषण की व्यावहारिक मांगों के बीच के अंतर को पाटने के लिए एक महत्वपूर्ण उपकरण के रूप में स्थापित करता है। सटीक GLR टेस्टिंग की कम्प्यूटेशनल बाधा को हल करके, यह उन परिदृश्यों में सटीक और अनुकूलित चेंजपॉइंट डिटेक्शन की तैनाती को सक्षम बनाता है जो पहले अनुमानित या धीमी विधियों तक सीमित थे। लेखक इस बात पर जोर देते हैं कि सॉफ्टवेयर को focus परिवार के एल्गोरिदम के लिए एक सामान्य इंटरफेस के रूप में डिज़ाइन किया गया है, जो IoT मॉनिटरिंग से लेकर एस्ट्रोफिजिक्स तक विविध उपयोग के मामलों का समर्थन करता है, और ऑफलाइन रेट्रोस्पेक्टिव विश्लेषण से ऑनलाइन, निर्णय लेने वाली प्रणालियों में संक्रमण को सुगम बनाता है। यह कार्य पिछले पद्धतिगत विकास (Romano et al. 2023b; Ward et al. 2024; Pishchagina et al. 2025) पर आधारित है और उन्हें एक एकीकृत, सुलभ सॉफ्टवेयर इकोसिस्टम में विस्तारित करता है।