Online Change Point Detection for Multivariate Inhomogeneous Poisson Processes Time Series

Riassunto Tecnico: Rilevamento Online dei Punti di Cambiamento per Serie Temporali di Processi di Poisson Inomogenei Multivariati

Enunciato del Problema
Questo lavoro affronta la sfida del rilevamento online dei punti di cambiamento per serie temporali di processi a punti di Poisson (PPP) inhomogenei multivariati. Sebbene i PPP siano ampiamente utilizzati per modellare eventi casuali nello spazio con tassi dipendenti dalla posizione (ad esempio, terremoti, incendi boschivi, epidemie), la letteratura esistente si concentra in gran parte sulla stima offline o su modelli parametrici. Rimane un significativo divario nello sviluppo di metodi non parametrici e online capaci di gestire PPP multivariati in cui le osservazioni consecutive esibiscono dipendenza temporale. I dati del mondo reale spesso mostrano tale dipendenza a causa della persistenza ambientale o di dinamiche latenti, eppure i metodi standard di rilevamento dei cambiamenti assumono tipicamente l'indipendenza nel tempo o si basano su forti assunzioni parametriche che non si adattano ai cambiamenti generali della funzione di intensità.

Metodologia
Gli autori propongono un algoritmo di rilevamento online a passaggio singolo e computazionalmente efficiente che mappa funzioni di intensità a dimensione infinita in matrici a rango basso a dimensione finita. La metodologia di base procede come segue:

1. Rappresentazione Matriciale tramite Espansione in Basi:
   La funzione di intensità $\lambda^*$ è rappresentata utilizzando un'espansione in base ortonormale (specificamente all'interno di un quadro di Spazio di Hilbert a Kernel Riproducente). Il dominio $\mathcal{X} \subset \mathbb{R}^d$ è partizionato in due sottoinsiemi di coordinate disgiunti di dimensioni $p$ e $q$ (dove $p+q=d$). La funzione di intensità è approssimata da una matrice $M(\lambda^*) \in \mathbb{R}^{M^p \times M^q}$, dove gli elementi sono prodotti scalari dell'intensità con funzioni di base a prodotto tensoriale. Questa rappresentazione preserva le distanze e consente il calcolo efficiente delle norme $L^2$ senza integrazione di Monte Carlo.

2. Costruzione della Statistica CUSUM:
   Per ogni campione PPP osservato $X^{(i)}$, viene costruita una matrice di intensità empirica $\hat{M}^{(i)}$ sommando le valutazioni delle funzioni di base sui punti osservati. L'algoritmo mantiene somme cumulative di queste matrici in due liste, $L$ e $R$, corrispondenti alle finestre pre-cambiamento e post-cambiamento. Ad ogni passo temporale $j$, viene calcolata una matrice di statistica CUSUM $D$ come differenza tra la media delle matrici nella finestra pre-cambiamento e quella nella finestra post-cambiamento.

3. SVD Restretta e Potatura:
   Per gestire l'alta dimensionalità e ridurre la varianza, l'algoritmo applica una Decomposizione ai Valori Singolari Restretta (RSVD) alla matrice di differenza $D$.

   • Potatura Adattiva: La dimensione della base viene adattivamente potata in base alla dimensione campionaria effettiva della finestra corrente. Finestre più piccole supportano solo la stima affidabile di un numero minore di coefficienti matriciali.
   • Proiezione a Rango Basso: La matrice potata viene proiettata sui suoi primi $r$ vettori singolari. Questo sfrutta l'assunzione che la differenza tra le funzioni di intensità pre- e post-cambiamento ($\lambda^* - \lambda^*_a$) sia approssimativamente a rango basso, una proprietà supportata dalla teoria dell'analisi delle componenti principali funzionale per funzioni lisce.

4. Regola di Rilevamento:
   Viene sollevato un allarme se la norma di Frobenius della matrice proiettata a rango-$r$, $\|D^{[r]}\|_F$, supera una soglia guidata dai dati che scala con la dimensione della finestra e i parametri di regolarità.

Contributi Teorici Chiave
Il documento stabilisce garanzie su campioni finiti per il metodo proposto sotto un'assunzione di dipendenza temporale $\beta$-mescolante geometrica.

• Nuova Disuguaglianza di Bernstein per Matrici: Un contributo teorico primario è la derivazione di una nuova disuguaglianza di Bernstein per matrici adattata per serie temporali di processi a punti di Poisson $\beta$-mescolanti geometricamente. Questa disuguaglianza controlla la deviazione della somma di matrici casuali dipendenti, essenziale per gestire la dipendenza temporale nei campioni PPP.
• Controllo dei Falsi Allarmi: Gli autori dimostrano che, con una costante di soglia sufficientemente grande, la probabilità complessiva di un falso allarme sull'intero orizzonte temporale è limitata da $\alpha$.
• Ritardo di Rilevamento: In uno scenario con un singolo punto di cambiamento, si dimostra che l'algoritmo rileva un cambiamento entro un ritardo $\Delta$ che dipende esplicitamente dalla magnitudine del cambiamento nella norma $L^2$ ($\kappa$) e dalla regolarità delle funzioni di intensità. Notevolmente, il limite del ritardo di rilevamento scala come $O(\kappa^{-2-(p \vee q)/\gamma})$, che è strettamente migliore in ordine rispetto ai limiti non parametrici offline esistenti ($O(\kappa^{-2-d/\gamma})$) perché il metodo sfrutta la partizione delle coordinate ($p \vee q < d$).

Risultati Empirici
Il metodo, denominato "Rilevatore Matriciale", è stato valutato rispetto a due benchmark: un rilevatore basato su MMD (Li et al., 2015) e un rilevatore basato su Stima di Intensità a Kernel (KIE) (Madrid Padilla et al., 2023).

• Studi di Simulazione: Esperimenti in configurazioni 3D e 4D con variabili latenti dipendenti temporalmente hanno dimostrato che il Rilevatore Matriciale raggiunge ritardi di rilevamento medi (ADD) significativamente inferiori rispetto ai benchmark, mantenendo probabilità di falso allarme comparabili.
• Robustezza: Ulteriori simulazioni a 10 dimensioni hanno mostrato che il metodo rimane efficace anche quando la differenza di intensità non è esattamente a rango basso, superando un rilevatore CUSUM basato su reti neurali. È stato inoltre dimostrato che il metodo è robusto rispetto alla scelta del parametro di rango $r$ e della strategia di partizione delle coordinate.
• Applicazione a Dati Reali: L'algoritmo è stato applicato a dati sismici dell'Oklahoma (2000–2018). Ha rilevato con successo un punto di cambiamento nel giugno 2009, allineandosi con noti aumenti dell'attività sismica legati all'iniezione di acque reflue, mentre il rilevatore KIE ha sollevato un allarme troppo presto (2007) e il rilevatore MMD non ha sollevato alcun allarme entro la fine del periodo di studio.

Significato e Affermazioni
Gli autori affermano che questo lavoro fornisce il primo approccio a scopo generale con garanzie dimostrabili per il rilevamento di cambiamenti non parametrici nelle intensità di PPP multivariati sotto dipendenza temporale realistica. Il significato del lavoro risiede in:

1. Gestione della Dipendenza Temporale: Superare l'assunzione di indipendenza comune nel rilevamento dei cambiamenti nei processi a punti utilizzando condizioni di $\beta$-mescolanza.
2. Efficienza Computazionale: Offrire un algoritmo a passaggio singolo con costo computazionale costante per ogni nuova osservazione, indipendente dalla lunghezza trascorsa della serie temporale, rendendolo scalabile per il monitoraggio a lungo termine.
3. Rigorosità Teorica: Fornire limiti non asintotici che tengono conto congiuntamente del bias di troncamento della base e della varianza stocastica in contesti dipendenti, supportati da una nuova disuguaglianza di Bernstein per matrici.

Il documento conclude che il metodo proposto è sia statisticamente robusto che computazionalmente efficiente, offrendo una soluzione pratica per applicazioni come la sismologia dei terremoti, il monitoraggio climatico e la sorveglianza epidemica, dove i dati degli eventi sono multivariati, inhomogenei e dipendenti temporalmente.