技術要約：逐次変化検出後の分布フリーな変化点局所化

問題提起

本論文は、任意の観測空間 $\mathcal{X}$ における**逐次的な変化点局所化（sequential changepoint localization）という根本的な問題に取り組んでいる。変化がいつ発生したかを検出するための停止規則（例：CUSUM、Shiryaev–Roberts、共形テスト・マルチンゲールなど）の設計に関する膨大な文献は存在するが、変化の検知アラームが鳴った「後」に、未知の変化点 $T$ に対する統計的に妥当な信頼集合（confidence sets）**を構築するための厳密な手法は不足している。

既存の検知後推論手法（例：Ding, 2003a; Wu, 2007; Saha and Ramdas, 2026）は、通常、以下の制約を必要とする：

1. 既知の分布： 変化前（$F_0$）および変化後（$F_1$）の分布が既知であるか、特定のパラメトリックな族（指数型分布族など）に属している必要がある。
2. 互いに素なクラス： 変化前と変化後の可能性のある分布の集合が、あらかじめ既知であり、かつ互いに素である必要がある。
3. 漸近的な保証： 多くの場合、漸近的な被覆率の保証しか提供できない。

著者らは、$F_0$ と $F_1$ が異なっているという仮定のみに基づき、分布に関する仮定を一切置かずに、有限標本での被覆保証を満たす $T$ の信頼集合を構築することを目指している。目標は、条件付き被覆を実現することである：
$$P_{F_0,T,F_1}(T \in C \mid \tau \ge T) \ge 1 - \alpha$$
ここで $\tau$ は逐次検出器の停止時刻である。

手法

提案されたフレームワークは、**検出（detection）フェーズと局所化（localization）**フェーズを分離するものである。これは、既存の逐次変化検出アルゴリズム（その検出器自体が分布フリーであるか否かを問わない）をラップする「ラッパー」として機能する。コアとなる手法は、**共形テスト・マルチンゲール（conformal test martingales）**とデータの交換可能性に基づいている。

1. コアとなる仮定

• 交換可能性： 変化前のセグメント $X_1, \dots, X_{T-1}$ は交換可能であり（仮定2）、変化後のセグメント $X_T, X_{T+1}, \dots$ も交換可能である（仮定1）。
• ブラックボックスへのアクセス： 局所化の手順は、停止時刻 $\tau$ と $\tau$ までのデータ列にアクセスできるが、検出アルゴリズムについてはブラックボックスとして扱う。
• 分布フリーな推定： 時刻 $t$ までに誤報が発生しない確率（$P_{F_0, \infty}[\tau \ge t]$）の不偏（または負のバイアスを持つ）推定値 $\hat{r}_t$ が必要である。これは、検出器の停止時刻の分布が特定の $F_0$ に依存しない限り（仮定3）、任意の便利な分布からの i.i.d. データを用いたモンテカルロ・シミュレーションを通じて推定可能である。

2. 信頼集合の構築

本手法は、片側信頼集合を個別に構築し、それらを交差させることで両側区間を形成する。

下限信頼集合 ($C^{\alpha}_{low}$)

• 目的： 真の変化点 $T \ge t$ となるような時刻 $t$ を特定すること。
• 仮説検定： 候補となる $t$ に対して、$H_0: T = t$ 対 $H_1: T > t$ の検定を行う。
• メカニ�ズム： もし $T > t$ であれば、セグメント $X_t, \dots, X_\tau$ は変化前と変化後のデータの混合物を含み、交換可能性を損なう。もし $T = t$ であれば、セグメントは純粋に変化後のデータのみとなり、交換可能である。
• 手順：
  1. ウィンドウ $[t, j]$ 内でのスコア比較に基づき、逐次的共形 p 値 $p^j_t$ を計算する。
  2. p 値を、キャリブレータ関数 $f_{t,j}(p) = 1 + \lambda_{t,j}(p - 0.5)$ を用いて e 値へと変換する。
  3. マルチンゲール $M_t = \prod f_{t,j}(p^j_t)$ を通じて証拠を累積する。
  4. ウィンドウ内の最大マルチンゲール値が閾値 $1/(\alpha \hat{r}_t)$ を超えない場合、$t$ を $C^{\alpha}_{low}$ に保持する。

上限信頼集合 ($C^{\beta}_{up}$)

• 目的： 真の変化点 $T \le t$ となるような時刻 $t$ を特定すること。
• 仮説検定： 候補となる $t$ に対して、$H_0: T = t$ 対 $H_1: T < t$ の検定を行う。
• メカニズム： 下限のケースと同様であるが、逆方向に動作する。もし $T < t$ であれば、セグメント $X_1, \dots, X_t$ は混合物を含み、変化前の交換可能性を損なう。
• 手順： 逆方向の逐次的共形 p 値 $q^j_t$ を $j \le t$ について計算し、マルチンゲールによって集計し、統計量が閾値を下回っている場合に $t$ を保持する。

両側信頼集合

最終的な信頼集合は、その交わりである：$C = C^{\alpha}_{low} \cap C^{\beta}_{up}$。和事象の境界（union bound）により、これは $P(T \in C \mid \tau \ge T) \ge 1 - \alpha - \beta$ を満たす。

3. キャリブレータの学習

理論的な境界は「オラクル」キャリブレータ（最適に選択された $\lambda$）を想定しているが、本論文では、$\lambda_{t,j}$ のシーケンスを適応的に学習するためにオンライン凸最適化（具体的には Follow-The-Leading-History を伴う Online Newton Step）の使用を提案している。これにより、信頼集合の妥当性を維持しながら、対数的なリグレット（regret）でサイズを最適化することが可能となる。

主な貢献

1. 初の一般的な分布フリー・フレームワーク： 本論文は、$F_0$ や $F_1$ の知識を必要とせず、また分布クラスが互いに素であること（$P_0 \cap P_1 = \emptyset$）を仮定しない、検知後の変化点局所化のための初の分布フリーなフレームワークを導入する。
2. 検出と推論の分離： 任意の逐次検出器（ARL または PFA 管理に基づくものを含む）を、分布フリーな推論レイヤーでラップすることを可能にする。
3. 片側および両側の構築： 逐次的局所化における固有の非対称性を考慮し、下限と上限の異なる構築法を開発した。これらについて有限標本での被覆率を証明している。
4. 非漸近的および漸近的境界：
   • 有限標本： 信頼集合の条件付き期待サイズに関する明示的な境界を導出している。
   • 漸近的： 検出遅延が変化点 $T$ に対して対数的にスケールする適切な条件下において、分布の仮定なしでも、信頼集合の期待サイズが一様に有界（または劣線形に成長）することを示している。
5. Null 確率の実際的な推定： 特定の null 分布 $F_0$ に依存せずに、任意の i.i.d. データを用いたモンテカルロ・シミュレーションを通じて、重要な正規化項 $\hat{r}_t$ を推定する方法を提供している。

結果

理論的結果

• 被覆率： 定理 1 および定理 2 は、下限および上限の集合がそれぞれ少なくとも $1-\alpha$ および $1-\beta$ の条件付き被覆を達成することを確立している。系 1 はこれを両側集合へと拡張する。
• サイズ境界：
  • 定理 3 & 4： 下限信頼集合について、期待される変化前長は、信号強度 $\delta$ および検出遅延のレジームに応じて $O(1)$ または $O(\log T)$ である。
  • 定理 5 & 6： 上限信頼集合について、検出器の停止時刻分布に関する緩やかな条件下で、期待される変化後長は $O(1)$ である。
  • 定理 7 & 10： 適切な漸近的レジームの下で、結合された両側集合のサイズは一様に有界であるか、あるいは $T$ に対して非常にゆっくりと（劣線形に）成長する。
• 適応的学習： キャリブレータに対してオンライン学習（対数リグレットを伴う）を使用しても、定数の微調整のみでこれらの境界が維持されることを定理 8、9、10 は示している。

実験的結果

著者らは、以下の3つのデータセットを用いて手法を検証している：

1. ガウス平均変化（Gaussian Mean Change）： $N(-1, 1) \to N(1, 1)$ のシミュレーション。本手法は、タイトな信頼区間（例：$T=500$ に対して幅 $\approx 5$）で変化点を特定することに成功した。
2. MNIST 数字変化： 高次元の設定であり、分布が数字の '3' から '7'（または混合分布）へ変化する。スコアリングに事前学習済み CNN を使用し、本手法は鋭い区間（例：$T=400$ に対して $[395, 400]$）を達成した。
3. ワイン品質データセット： 白ワインから赤ワインへの切り替わりをシミュレートした実世界のアプリケーション。下限信頼境界は 387（真の $T=400$）と算出され、オペレーターは 90% の信頼度で 386 時刻までを「白ワイン」として認定できることが示された。

意義と主張

本論文は、検知後の被覆の妥当性を保証しつつ、逐次的変化点局所化のための初の一般的な分布フリー・フレームワークを提供すると主張している。

• 動機： 産業モニタリングやネットワークセキュリティなどの実世界のシステムでは、データ生成メカニズムはしばしば複雑で高次元であり、適切に指定されていない。そのため、厳密な分布モデリングは困難である。既存の手法は、$F_0/F_1$ の既知性や、互いに素なクラスの仮定を必要とするため、こうした設定では非現実的になりやすい。
• 先行研究に対する優位性： $P_0 \cap P_1 = \emptyset$ を必要とする Saha and Ramdas (2026) とは異なり、本フレームワークは $P_0 = P_1 = \mathcal{P}$（すべての分布の宇宙）を許容し、単に実現された $F_0 \neq F_1$ であることのみを要求する。
• 実用的な有用性： 下限信頼境界は品質管理において特に有用である。これは、システムが（潜在的に故障状態にある）変化後の状態にあることが保証される「安全な時間閾値」を提供し、影響を受けた製品の特定を可能にする。
• 堅牢性： 手順の妥当性はモデリングの仮定に依存しない。モデル（スコアリングのためのモデルなど）は、統計的効率（区間のサイズ）には影響を与えるが、被覆保証の妥当性には影響を与えない。

著者らは、分布の仮定なしでも信頼できる変化点局所化が可能であることを結論付けており、これは逐次分析における概念的にシンプルで広く適用可能なツールを提供するものである。今後の課題として、マルチストリーム設定への拡張が示唆されている。