技術要約：非分割型非パラメトリック逐次変化検出のための e-ディテクター

1. 問題定式化

本論文は、ポーランド空間 $\mathcal{X}$ 上の一般的な確率分布のクラス $\mathcal{P}$ における逐次変化検出 (Sequential Change Detection, SCD) の問題に取り組んでいる。古典的な定式化とは異なり、本研究では以下の非分割型 (non-partitioned) 設定を考慮する：

• 変化前（pre-change）の分布 $P$ と変化後（post-change）の分布 $Q$ の両方が未知である。
• $P$ と $Q$ は共に同一の複合クラス $\mathcal{P}$ に属している。
• $\mathcal{P}$ を互いに素な変化前（$\mathcal{P}_0$）および変化後（$\mathcal{P}_1$）のファミリーに事前に分割する指定が存在しない。
• 帰無仮説 $H_0$ は複合的である：データ $X_1, X_2, \dots$ は未知の $R \in \mathcal{P}$ からの独立同一分布 (i.i.d.) である。
• 対立仮説は、変化点 $T$ を含む。ここで $X_1, \dots, X_T \sim P$ かつ $X_{T+1}, \dots \sim Q$ であり、$P, Q \in \mathcal{P}$ かつ $P \neq Q$ である。

この設定は根本的な課題を提示する。すなわち、事後分布 $Q$ は「変化なし」の正当な法則となり得ることである。その結果、カルバック・ライブラー (KL) ダイバージェンス $\inf_{R \in \mathcal{P}} D_{KL}(Q \| R)$ はゼロとなり、正の分離性に依存する古典的な情報理論的下界は適用不可能となる。さらに、標準的なワーストケースの条件付き平均検出遅延 (CADD) メトリックは、即時の $Q$ への変化が「変化なし」の法則 $Q^\infty$ と区別できないために、退化する可能性がある。

2. 手法

著者らは、ポイント・ヌル e-プロセス (point-null e-processes) を集約することによって、複合 e-ディテクター (composite e-detectors) を構築するための一般的なフレームワークを提案している。

コアとなる構成

1. ポイント・ヌル・プリミティブ (Point-Null Primitives): あらゆる候補となる「変化なし」の分布 $R \in \mathcal{P}$ およびあらゆる潜在的な開始時刻 $s$ に対して、手法は $s$ 遅延の e-プロセス $\{M^R_{s:t}\}_{t \ge s-1}$ を利用する。このプロセスは、単純な帰無仮説 $H_{0,R}: X_i \sim R$ とその補集合をテストするものである。このようなプロセスの存在は、弱コンパクトな帰無クラスにおいて保証される (Ram and Ramdas, 2026b)。
2. 集約と最小化: ディテクター統計量は、これらポイント・ヌル e-プロセスをすべての可能な開始時刻 $s \le t$ にわたって集約し、すべての候補となる「変化なし」の分布 $R \in \mathcal{P}$ について下限（infimum）を取る。
   • ARL 制御の場合: 統計量は $D^{\text{ARL}}_t = \inf_{R \in \mathcal{P}} \sum_{s=1}^t M^R_{s:t}$ である。
   • PFA 制御の場合: 統計量は決定論的な重み $\pi_s$（合計が $\le 1$）を使用する：$D^{\text{PFA}}_t = \inf_{R \in \mathcal{P}} \sum_{s=1}^t \pi_s M^R_{s:t}$。
3. 停止則: ディテクターは、閾値 $A$（ARL の場合は $A$、PFA の場合は $1/\alpha$）に達した瞬間に停止する：$\tau = \inf \{t \ge 1 : D_t \ge A\}$。

技術的革新

• アジャスター (Adjusters): $R=Q$ を棄却するために必要な（変化前のブロックからの）証拠を統計量が保持することを保証するため、著者らは e-プロセスの実行最大値に対して「アジャスター」(Choe and Ramdas, 2026) を適用している。これにより、真の変化前法則から遠い候補に対する証拠を維持しつつ、e-妥当性を保つ非減少プロセスが作成される。
• 局所的な REGROW ウィットネス: グローバルなクラス $\mathcal{P}$ が弱コンパクトではない可能性があるため、著者らは可算局所 REGROW ウィットネス基底 (countable local REGGROW witness basis) という概念を導入している。これにより、局所的なコンパクト性と真の分布付近の分離性を活用することで、$\mathcal{P}$ 上の infimum に関する一様な成長率を導出することが可能になる。

3. 主な貢献

1. 一般的なフレームワーク: 非分割型の SCD 問題に対する e-ディテクターの導入。任意の分布クラスに対して、有限サンプルでの誤報保証（平均実行長および誤報確率の両方）を提供する。
2. 漸近的最適性: 適切な仮定（可算局所 REGROW ウィットネス基スの存在）の下で、提案手法が一次漸近的最適検出遅延を達成することを証明している。遅延は、インスタンス固有の情報率 $I^* = D_{KL}(Q \| P)$ によって支配される。
3. 具体的な例: 以下の具体的なディテクターの開発：
   • 劣ガウス（Sub-Gaussian）平均の変化。
   • 有界な平均の変化（ユニバーサル・ポートフォリオを使用）。
   • 分散未知のガウス平均変化。
   • 2状態マルコフ鎖の遷移行列の変化（依存データ）。
4. 理論的下界: 提案された手法の上界が点別で最適であることを確立する、検出遅延の一致する下界の導出。この分析では、「遅い変化（late changes）」（古典的なレートが適用される）と「早い変化（early changes）」（不十分な変化前データにより信頼できる検出が不可能になる）を区別している。

4. 結果と性能

• 劣ガウス平均: ディテクターは、おおよそ $(1+o(1)) \frac{\log A}{I}$ の遅延を達成する。ここで $I = \frac{(\mu-\nu)^2}{2\sigma^2}$ である。PFA 制御の場合、ARL 制御と比較して追加の $O(\log T_\alpha)$ ペナルティが発生する。
• 有界な平均: ジェフリーズ事前分布を用いたユニバーサル・ポートフォリオの連続混合を用い、手法はベッティング情報率 $I_{\text{bet}}(Q, a) = \inf_{R: E[R]=a} D_{KL}(Q \| R)$ によって支配される遅延を達成する。
• 未知の分散を持つガウス分布:
  • 「スチューデント化」されたディテクター（平均のみをテスト）は、分散が制限されていない場合の逆情報射影に対して最適となる。
  • 「フル・ガウス」ディテクター（平均と分散の両方をテスト）は、変化前の接頭辞から学習された真の変化前分散に適応し、インスタンス固有のレート $D_{KL}(Q \| P)$ を達成する。
• マルコフ鎖: 本フレームワークは依存データに拡張され、遷移行列の変化に対する明示的なディテクターを、同様の遅延保証とともに提供する。
• 実験: ガウス平均シフトおよび有界観測に関するシミュレーションにより、提案された e-ディテクターが繰り返し CUSUM ベースラインを一貫して上回り、理論的な情報理論的下界に密接に一致することが示された。

5. 意義と主張

本論文は、非分割型の逐次変化検出に関する文献における空白を埋めるものである。古典的な手法や最近の e-ディテクターの枠組み（Shin et al., 2023）は、互いに素な変化前および変化後のファミリーに依存しているが、本研究は、変化の方向や性質についての事前知識なしに、事後分布が「変化なし」の分布と区別できないケースを扱う。

著者らは、ポイント・ヌル e-プロセスからインスタンス最適（instance-optimal）な非分割型ディテクターへの還元が、一般的な理論的貢献であることを強調している。彼らは「早い変化」の不可能性（$T$ が小さすぎて $P$ と $Q$ を区別できない場合）を解決しようとしているのではなく、むしろこの設定における検出の根本的な限界を特徴付けている。本研究は、劣ガウス、有界、ガウス分布、および依存マルコフ過程を含む幅広いクラスに適用可能な、パラメトリックな仮定や事前指定された分割を必要とせずに、最適な検出遅延を達成する統一された非パラメトリックなフレームワークを提供している。