기술 요약: 비매개변수적 순차적 변화 탐지를 위한 비분할 e-검출기 (Non-partitioned e-detectors for Nonparametric Sequential Change Detection)

1. 문제 정식화

본 논문은 일반적인 폴리시 공간(Polish space) $\mathcal{X}$ 상의 확률 분포 클래스 $\mathcal{P}$에 대한 순차적 변화 탐지(Sequential Change Detection, SCD) 문제를 다룬다. 고전적인 정식화와 달리, 본 연구는 다음과 같은 비분할(non-partitioned) 설정을 고려한다:

• 사전 변화 분포 $P$와 사후 변화 분포 $Q$가 모두 알려져 있지 않다.
• $P$와 $Q$ 모두 동일한 복합 클래스(composite class) $\mathcal{P}$에 속한다.
• $\mathcal{P}$를 서로 소인 사전 변화 가족($\mathcal{P}_0$)과 사후 변화 가족($\mathcal{P}_1$)으로 나누는 사전 지정된 분할이 존재하지 않는다.
• 귀무가설 $H_0$는 복합 가설이다: 데이터 $X_1, X_2, \dots$는 알려지지 않은 어떤 $R \in \mathcal{P}$로부터 i.i.d.하게 생성된다.
• 대립 가설은 변화 시점 $T$를 포함한다: $X_1, \dots, X_T \sim P$이고 $X_{T+1}, \dots \sim Q$이며, 이때 $P, Q \in \mathcal{P}$이고 $P \neq Q$이다.

이러한 설정은 근본적인 과제를 제기한다: 사후 변화 법칙 $Q$는 허용 가능한 무변화(no-change) 법칙이 될 수 있다. 결과적으로, 쿨백-라이블러(Kullback-Leibler, KL) 발산 $\inf_{R \in \mathcal{P}} D_{KL}(Q \| R)$은 0이 되며, 이는 양의 분리도(positive separation)에 의존하는 고전적인 정보 이론적 하한(lower bounds)을 적용할 수 없게 만든다. 또한, 표준적인 최악의 경우 조건부 평균 탐지 지연(CADD) 지표는 즉각적인 $Q$로의 변화가 무변화 법칙 $Q^\infty$와 구별 불가능하기 때문에 퇴화될 수 있다.

2. 방법론

저자들은 점-귀무(point-null) e-프로세스를 결합하여 **복합 e-검출기(composite e-detectors)**를 구축하는 일반적인 프레임워크를 제안한다.

핵심 구성

1. 점-귀무 프리미티브(Point-Null Primitives): 모든 후보 무변화 분포 $R \in \mathcal{P}$와 모든 잠재적 시작 시점 $s$에 대하여, 이 방법은 $s$-지연 e-프로세스 $\{M^R_{s:t}\}_{t \ge s-1}$를 활용한다. 이 프로세스는 단순 귀무가설 $H_{0,R}: X_i \sim R$을 나머지 사례들에 대해 검정한다. 이러한 프로세스의 존재는 약하게 컴팩트한(weakly compact) 귀무 클래스에 의해 보장된다 (Ram and Ramdas, 2026b).
2. 결합 및 최소화: 검출 통계량은 모든 가능한 시작 시점 $s \le t$에 대해 점-귀무 프로세스를 결합하고, 모든 후보 무변화 분포 $R \in \mathcal{P}$에 대해 하한(infimum)을 취한다.
   • ARL 제어를 위한 경우: 통계량은 $D^{\text{ARL}}_t = \inf_{R \in \mathcal{P}} \sum_{s=1}^t M^R_{s:t}$이다.
   • PFA 제어를 위한 경우: 통계량은 결정론적 가중치 $\pi_s$ (합이 $\le 1$)를 사용하여 $D^{\text{PFA}}_t = \inf_{R \in \mathcal{P}} \sum_{s=1}^t \pi_s M^R_{s:t}$로 정의된다.
3. 정지 규칙: 검출기는 $\tau = \inf \{t \ge 1 : D_t \ge A\}$에서 정지하며, 여기서 $A$는 원하는 오경보 수준에 의해 결정되는 임계값이다 (예: ARL의 경우 $A$, PFA의 경우 $1/\alpha$).

기술적 혁신

• 조정자(Adjusters): 사전 변화 블록으로부터의 증거(이는 $R=Q$를 기각하는 데 필수적임)를 통계량이 유지하도록 하기 위해, 저자들은 e-프로세스의 실행 최대값(running maximum)에 "조정자"(Choe and Ramdas, 2026)를 적용한다. 이는 e-유효성(e-validity)을 보존하면서도 실제 사전 변화 법칙으로부터 멀리 떨어진 후보들에 대한 증거를 유지하는 비감소 프로세스를 생성한다.
• 국소 REGROW 증거(Local REGROW Witnesses): 전역 클래스 $\mathcal{P}$가 약하게 컴팩트하지 않을 수 있으므로, 저자들은 가산 국소 REGROW 증거 기저(countable local REGROW witness basis) 개념을 도입한다. 이를 통해 국소적 컴팩트성과 $P, Q$ 주변의 분리 특성을 활용하여 $\mathcal{P}$에 대한 하한의 균등 성장률(uniform growth rates)을 도출할 수 있다.

3. 주요 기여

1. 일반 프레임워크: 임의의 분포 클래스에 대해 유한 표본 오경보 보장(평균 런 길이 및 오경보 확률 모두)을 제공하는, 완전한 비분할 SCD 문제를 위한 e-검출기 도입.
2. 점근적 최적성: 적절한 가정(가산 국소 REGGROW 증거 기저의 존재) 하에, 제안된 방법들이 1차 점근적 최적 탐지 지연을 달면다는 것을 증명하였다. 지연 시간은 인스턴스별 정보율 $I^* = D_{KL}(Q \| P)$에 의해 결정된다.
3. 구체적인 예시: 다음을 위한 명시적인 검출기를 개발하였다:
   • 서브 가우시안(Sub-Gaussian) 평균 변화.
   • 유계 평균(Bounded mean) 변화 (유니버설 포트폴리오 사용).
   • 미지의 분산을 가진 가우시안 평균 변화.
   • 2상 마르코프 체인의 전이 행렬 변화 (종속 데이터).
4. 이론적 하한: 제안된 상한이 점별로 최적임을 입증하는 일치하는 탐지 지연 하한을 도출하였다. 분석은 "늦은 변화"(고전적 비율이 적용되는 경우)와 "이른 변화"(사전 변화 데이터를 충분히 확보하지 못해 신뢰할 수 있는 탐지가 불가능한 경우)를 구분한다.

4. 결과 및 성능

• 서브 가우시안 평균: 검출기는 대략 $(1+o(1)) \frac{\log A}{I}$의 지연을 달성한다 (여기서 $I = \frac{(\mu-\nu)^2}{2\sigma^2}$). PFA 제어의 경우, ARL 제어에 비해 추가적인 $O(\log T_\alpha)$ 패널티가 발생한다.
• 유계 평균: 유니버설 포트폴리오의 연속 혼합(제프리스 사전 분포)을 사용하여, 방법론은 베팅 정보율 $I_{\text{bet}}(Q, a) = \inf_{R: E[R]=a} D_{KL}(Q \| R)$에 의해 지배되는 지연을 달성한다.
• 미지의 분산을 가진 가우시안:
  • "학생생(studentized)" 검출기(평균만을 검정)는 분산이 제한되지 않을 때 역 정보 투영(reverse information projection)에 대해 최적성을 달성한다.
  • "전체 가우시안(Full Gaussian)" 검출기(평균과 분산을 모두 검정)는 실제 사전 변화 분산을 학습함으로써 인스턴스별 비율 $D_{KL}(Q \| P)$에 적응한다.
• 마르코프 체인: 본 프레임워크는 종속 데이터로 확장되어, 유사한 지연 보장을 갖는 전이 행렬 변화에 대한 명시적인 검출기를 제공한다.
• 실험: 가우시안 평균 이동 및 유계 관측치에 대한 시뮬레이션 결과, 제안된 e-검출기가 반복적인 CUSUM 베이스라인보다 일관되게 우수한 성능을 보이며 이론적 정보 이론적 하한에 밀접하게 부합함을 보여준다.

5. 의의 및 주장

본 논문은 비분할(non-partitioned) 순차적 변화 탐지에 관한 문헌의 공백을 해결한다고 주장한다. 고전적인 방법들과 최근의 e-검출기 프레임워크(Shin et al., 2023)는 서로 소인 사전 및 사후 변화 가족에 의존하는 반면, 본 연구는 변화의 방향이나 성격을 사전에 알지 못하더라도 사후 변화 분포가 잠재적인 무변화 분포와 구별 불가능할 수 있는 경우를 다룬다.

저자들은 점-귀무 e-프로세스로부터 인스턴스 최적의 비분할 검출기로의 축소가 일반적인 이론적 기여임을 강조한다. 이들은 "이른 변화"의 불가능성(즉, $T$가 너무 작아 $P$와 $Q$를 구별할 수 없는 경우)을 해결하려는 것이 아니라, 이 설정에서의 탐지에 대한 근본적인 한계를 규명하는 데 목적을 둔다. 본 연구는 파라미터 가정을 요구하지 않으면서도 최적의 탐지 지연을 달리는 통합된 비매개변수적 프레임워크를 제공하며, 이는 서브 가우시안, 유계, 가우시안 분포 및 종속 마르코프 프로세스를 포함한 광범위한 클래스에 적용 가능하다.