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

Sintesi Tecnica: Rilevamento di Cambiamenti Basato su Score e Localizzazione di Regioni per Processi Puntuali Spazio-Temporali

Formulazione del Problema
Il lavoro affronta la sfida del rilevamento sequenziale dei punti di cambiamento nei processi puntuali spazio-temporali (STPP). A differenza dei metodi tradizionali che si concentrano esclusivamente sui cambiamenti temporali nell'intensità degli eventi, questo lavoro mira a scenari in cui un cambiamento distributivo avviene in un tempo $\tau$ ignoto ed è confinato in una regione spaziale continua $\Omega$ ignota. L'obiettivo è inferire congiuntamente il tempo del cambiamento e la regione spaziale interessata in tempo reale. Gli autori sottolineano che gli approcci esistenti per i dati a processo puntuale spesso trattano lo spazio come fisso o ancillare, fallendo nel fornire l'interpretabilità spaziale necessaria per insight azionabili in applicazioni come il monitoraggio sismico e la rilevazione di incendi boschivi. Il problema è complicato dal fatto che le dinamiche post-cambiamento negli STPP (ad esempio, i processi di Hawkes auto-eccitanti) appartengono a una famiglia infinita di scenari, e le procedure sequenziali basate interamente sulla verosimiglianza sono spesso intrattabili senza forti assunzioni parametriche.

Metodologia
Gli autori propongono ST-Score, un framework di rilevamento basato su score e privo di verosimiglianza (likelihood-free), che opera senza assumere la conoscenza parametrica delle distribuzioni pre- e post-cambiamento.

1. Statistica basata su Score: Invece di stimare l'intrattabile rapporto di verosimiglianza, il metodo utilizza lo score di Hyvärinen, che dipende solo dal gradiente della densità di log (la funzione di score). Per ogni evento osservato $x$, viene calcolata una misura di anomalia locale $\Delta(x) = \psi_0(x) - \psi_1(x)$, dove $\psi_i$ rappresenta uno score specifico per il regime.
2. Approssimazione dello Score Localizzato: Per evitare la difficoltà computazionale di integrare su l'intero dominio spaziale (che è ignoto a causa della regione variabile), gli autori introducono un'approssimazione dello score localizzato. Questa restringe la stima della densità condizionale a un piccolo vicinato spaziale $B_\delta(x)$ attorno a ciascun evento, utilizzando uno score di Hyvärinen pesato per gestire gli effetti di bordo e i tempi inter-arrivo unidirezionali.
3. Statistica CUSUM Spazio-Temporale: La statistica di rilevamento $W_t$ è definita come il supremo su tutti i candidati tempi di cambiamento $\tau$ e regioni spaziali $\Omega$ della misura cumulativa dell'anomalia:
   $$W_t = \sup_{0\le\tau\le t} \sup_{\Omega\subseteq S} \int_{[\tau,t)\times\Omega} \Delta(x) dN(x)$$
   Un allarme viene attivato quando $W_t$ supera una soglia $\gamma$.
4. Algoritmo di Ottimizzazione: Per risolvere la massimizzazione congiunta su tempo e spazio continui, gli autori sviluppano uno schema di ottimizzazione alternata (algoritmo ST-Score). Questo aggiorna iterativamente la regione di cambiamento stimata (step I) e il punto di cambiamento (step O) fino alla convergenza. Lo step I identifica le regioni con score di anomalia positivi, mentre lo step O trova il tempo di inizio ottimale della somma cumulativa.
5. Adattamento Online: Il framework include un meccanismo per la stima online del modello di score post-cambiamento quando non sono disponibili dati storici post-cambiamento, aggiornando il modello tramite discesa del gradiente su dati in streaming.

Contributi Chiave

1. Framework Spazio-Temporale Continuo: Il paper colma il divario tra i classici metodi CUSUM basati solo sul tempo e gli approcci di scansione spaziale ad hoc, introducendo un framework in cui sia il punto di cambiamento che la regione spaziale interessata sono ignoti e continui.
2. Rilevamento Senza Verosimiglianza: Sviluppa un metodo di rilevamento scalabile basato sul score matching che evita la stima esplicita della verosimiglianza, rendendolo applicabile a dinamiche complesse o ad alta dimensionalità dove le verosimiglianze sono intrattabili.
3. Garanzie Teoriche: Gli autori stabiliscono garanzie asintotiche per:
   • Controllo dei Falsi Allarmi: Derivazione di limiti inferiori sulla Lunghezza Media tra i Guasti (ARL) in funzione della soglia.
   • Ritardo di Rilevamento: Caratterizzazione del drift della statistica e fornitura di limiti sul Ritardo Atteso di Rilevamento (EDD).
   • Accuratezza della Localizzazione: Dimostrazione che l'indice di Jaccard tra le regioni di cambiamento stimate e quelle reali è asintoticamente inferiore limitato, con il gap di errore correlato al raggio di vicinato di localizzazione $\delta$.

Risultati Sperimentali
Il metodo proposto è stato valutato su dati sintetici e due dataset del mondo reale:

• Dati Sintetici: ST-Score è stato confrontato con baseline che includono CUSUM standard, SCUSUM, PP-CUSUM e MinCUSUM. ST-Score ha dimostrato costantemente ritardi di rilevamento attesi inferiori e indici di Jaccard più elevati (migliore localizzazione spaziale). Lo studio ha evidenziato che, sebbene un forte spillover spazio-temporale (alto rapporto di branching nei processi di Hawkes) degradi le prestazioni, ST-Score rimane superiore alle baseline che si affidano alla discretizzazione spaziale.
• Allerta Precoce per Terremoti: Applicato al catalogo sismico dell'Agenzia Meteorologica del Giappone, il metodo ha identificato con successo l'inizio di un periodo di sciame sismico (2021–2023) e ha localizzato le regioni degli scosse principali, fornendo prove coerenti con la teoria degli sciami.
• Rilevamento Incendi Boschivi: Applicato ai dati sugli incendi in California, il metodo ha rilevato l'innesco dell'incendio Palisades. Sebbene non siano stati trovati segnali precursori (coerente con la natura improvvisa dell'innesco di un incendio), il metodo ha localizzato con successo la regione interessata post-innesco.

Significatività e Rivendicazioni
Il paper sostiene che ST-Score rappresenti un avanzamento significativo consentendo il rilevamento in tempo reale con interpretabilità spaziale per i processi puntuali spazio-temporali. La sua significatività risiede in:

• Azionabilità: A differenza dei metodi puramente temporali, identifica dove avviene un cambiamento, il che è critico per l'allocazione delle risorse in domini come la risposta ai disastri.
• Robustezza: Evitando assunzioni parametriche sulla verosimiglianza, gestisce dinamiche complesse e sconosciute (ad esempio, l'auto-eccitazione) che spesso compromettono i metodi tradizionali basati sulla verosimiglianza.
• Efficienza: L'approccio basato su score e lo schema di ottimizzazione alternata permettono una computazione scalabile su dati spazio-temporali continui senza la necessità di discretizzazione spaziale manuale o costose integrazioni numeriche.

Gli autori osservano che, sebbene il metodo funzioni bene, la sua efficacia dipende da iperparametri come il raggio di localizzazione $\delta$ e le iterazioni di ottimizzazione $K$, e il lavoro futuro potrebbe concentrarsi sulla selezione principata degli iperparametri e sull'estensione dell'analisi teorica a classi più ampie di kernel di eccitazione.