Online Change Point Detection for Multivariate Inhomogeneous Poisson Processes Time Series

技術概要：多変量非均一ポアソン過程時系列のオンライン変化点検出

問題定義
本研究は、多変量非均一ポアソン点過程（PPP）時系列におけるオンライン変化点検出の課題に取り組む。PPP は、地震、山火事、感染症流行など、場所依存の発生率を持つランダムな事象をモデル化する際に広く用いられているが、既存の文献の多くはオフライン推定またはパラメトリックモデルに焦点を当てている。連続した観測値が時間的依存性を示す多変量 PPP を扱える非パラメトリックなオンライン手法の開発には、依然として大きなギャップが存在する。実世界のデータは、環境的な持続性や潜在的なダイナミクスに起因して、しばしばそのような依存性を示すが、標準的な変化検出手法は通常、時間における独立性を仮定するか、一般的な強度関数の変化には適合しない強いパラメトリック仮定に依存している。

手法
著者らは、無限次元の強度関数を有限次元の低ランク行列に写像する、計算効率に優れた単一パスのオンライン検出アルゴリズムを提案する。中核的な手法は以下の通りである：

1. 基底展開による行列表現：
   強度関数 $\lambda^*$ は、直交基底展開（具体的には再生核ヒルベルト空間の枠組み内）を用いて表現される。定義域 $\mathcal{X} \subset \mathbb{R}^d$ は、次元が $p$ と $q$（ただし $p+q=d$）の 2 つの互いに素な座標部分集合に分割される。強度関数は、行列 $M(\lambda^*) \in \mathbb{R}^{M^p \times M^q}$ によって近似される。ここで、行列の要素は、強度関数とテンソル積基底関数との内積である。この表現は距離を保存し、モンテカルロ積分なしで $L^2$ ノルムを効率的に計算することを可能にする。

2. CUSUM 統計量の構築：
   観測された各 PPP サンプル $X^{(i)}$ に対して、観測点における基底関数の評価値を合計することで、経験的強度行列 $\hat{M}^{(i)}$ が構築される。アルゴリズムは、変化前ウィンドウと変化後ウィンドウに対応する 2 つのリスト $L$ と $R$ に、これらの行列の累積和を維持する。各時刻 $j$ において、CUSUM 統計量行列 $D$ は、変化前ウィンドウ内の行列の平均と変化後ウィンドウ内の行列の平均との差として計算される。

3. 制限付き SVD とトリミング：
   高次元性に対処し、分散を低減するため、アルゴリズムは差分行列 $D$ に制限付き特異値分解（RSVD）を適用する。

   • 適応的トリミング： 基底サイズは、現在のウィンドウの有効サンプルサイズに基づいて適応的にトリミングされる。より小さなウィンドウは、より少ない数の行列係数の信頼性の高い推定のみをサポートする。
   • 低ランク射影： トリミングされた行列は、上位 $r$ 個の特異ベクトル onto 射影される。これは、変化前後の強度関数の差（$\lambda^* - \lambda^*_a$）が近似して低ランクであるという仮定を利用するものであり、滑らかな関数に対する関数主成分分析（PCA）理論によって支持される性質である。

4. 検出ルール：
   ランク $r$ 射影行列のフロベニウスノルム $\|D^{[r]}\|_F$ が、ウィンドウサイズと滑らかさパラメータに比例してスケーリングするデータ駆動型の閾値を超えた場合、アラームが発令される。

主要な理論的貢献
本論文は、幾何学的 $\beta$-混合の時間的依存性を仮定した条件下で、提案手法に対する有限サンプル保証を確立する。

• 新しい行列ベルンシュタイン不等式： 主要な理論的貢献は、幾何学的 $\beta$-混合ポアソン点過程時系列に特化した新しい行列ベルンシュタイン不等式の導出である。この不等式は、依存するランダム行列の和の偏差を制御するものであり、PPP サンプルにおける時間的依存性を扱うために不可欠である。
• 誤警報の制御： 著者らは、十分に大きな閾値定数を用いることで、時間全体における誤警報の全確率が $\alpha$ 以下に抑えられることを証明した。
• 検出遅延： 単一変化点のシナリオにおいて、アルゴリズムは $L^2$ ノルムにおける変化の大きさ（$\kappa$）と強度関数の滑らかさに明示的に依存する遅延 $\Delta$ 以内に変化を検出することが示された。注目すべきは、検出遅延の上限が $O(\kappa^{-2-(p \vee q)/\gamma})$ としてスケーリングすることであり、これは既存のオフライン非パラメトリック上限（$O(\kappa^{-2-d/\gamma})$）よりも次数において厳密に優れている。これは、座標分割（$p \vee q < d$）を利用しているためである。

実証結果
提案された手法（「行列検出器」と呼ばれる）は、2 つのベンチマーク、すなわち MMD ベースの検出器（Li ら、2015）とカーネル強度推定量（KIE）ベースの検出器（Madrid Padilla ら、2023）に対して評価された。

• シミュレーション研究： 時間的依存性を持つ潜在変数を伴う 3 次元および 4 次元の設定における実験により、行列検出器は、同程度の誤警報確率を維持しつつ、ベンチマークと比較して有意に低い平均検出遅延（ADD）を達成することが示された。
• ロバスト性： 追加の 10 次元シミュレーションにより、強度の差が厳密に低ランクでなくても手法が有効であり、ニューラルネットワークベースの CUSUM 検出器を上回る性能を発揮することが示された。また、この手法はランクパラメータ $r$ の選択や座標分割戦略に対してもロバストであることが示された。
• 実データへの適用： アルゴリズムは、オクラホマ州の地震データ（2000 年～2018 年）に適用された。これは、廃水注入に関連する既知の地震活動の増加と一致する 2009 年 6 月の変化点を成功裡に検出した。一方、KIE 検出器は 2007 年という時期に早すぎるアラームを発令し、MMD 検出器は研究期間終了時点までアラームを発令しなかった。

意義と主張
著者らは、この研究が、現実的な時間的依存性下での多変量 PPP 強度における非パラメトリックな変化を検出するための、証明可能な保証を備えた最初の汎用アプローチを提供すると主張する。この研究の意義は以下の点にある：

1. 時間的依存性の処理： ポアソン過程変化検出において一般的な独立性の仮定を超え、$\beta$-混合条件を利用することで、時間的依存性を扱う。
2. 計算効率： 新たな観測ごとの計算コストが一定であり、経過した時系列の長さに依存しない単一パスアルゴリズムを提供することで、長期的な監視に対してスケーラブルにする。
3. 理論的厳密性： 基底打ち切りバイアスと依存環境における確率的分散を同時に考慮する非漸近的な境界を提供し、新しい行列ベルンシュタイン不等式によって支えられている。

本論文は、提案された手法が統計的にロバストであり、かつ計算効率的であることを結論付けており、イベントデータが多変量、非均一、かつ時間的依存性を持つ地震学、気候監視、感染症監視などの応用に対する実用的な解決策を提供する。