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

Technische Samenvatting: Score-gebaseerde Veranderingspuntdetectie en Regio-lokalisatie voor Spatio-temporele Puntprocessen

Probleemformulering
Het artikel behandelt de uitdaging van sequentiële veranderpuntdetectie in spatio-temporele puntprocessen (STPP's). In tegenstelling tot traditionele methoden die zich uitsluitend richten op het detecteren van temporele verschuivingen in de intensiteit van gebeurtenissen, richt dit werk zich op scenario's waarbij een distributionele verandering plaatsvindt op een onbekend tijdstip $\tau$ en beperkt is tot een onbekende, continue ruimtelijke regio $\Omega$. Het doel is om zowel het veranderingsmoment als de getroffen ruimtelijke regio gezamenlijk in real-time te extraheren. De auteurs benadrukken dat bestaande benaderingen voor puntprocesdata de ruimte vaak als vast of bijkomstig behandelen, waardoor ze niet de ruimtelijke interpreteerbaarheid bieden die vereist is voor bruikbare inzichten in toepassingen zoals seismische monitoring en bosbranddetectie. Het probleem wordt bemoeilijkt door het feit dat post-change dynamica in STPP's (bijv. zelf-exciterende Hawkes-processen) behoren tot een oneindig-dimensionale familie van scenario's, en volledig likelihood-gebaseerde sequentiële procedures vaak onhandelbaar zijn zonder sterke parametrische aannames.

Methodologie
De auteurs stellen ST-Score voor, een likelihood-vrij, score-gebaseerd detectiekader dat opereert zonder parametrische kennis van de pre- en post-change distributies te veronderstellen.

1. Score-gebaseerde Statistiek: In plaats van de onhandelbare likelihood-ratio te schatten, maakt de methode gebruik van de Hyvärinen score, die enkel afhankelijk is van de gradiënt van de log-densiteit (de scorefunctie). Voor elke geobserveerde gebeurtenis $x$ wordt een lokale anomalie-maat $\Delta(x) = \psi_0(x) - \psi_1(x)$ berekend, waarbij $\psi_i$ een regime-specifieke score vertegenwoordigt.
2. Gelokaliseerde Score-benadering: Om de computationele moeilijkheid van integratie over het gehele ruimtelijke domein te vermijden (dat onbekend is vanwege de veranderende regio), introduceren de auteurs een gelokaliseerde score-benadering. Dit beperkt de conditionele densiteitschatting tot een kleine ruimtelijke buurt $B_\delta(x)$ rond elke gebeurtenis, waarbij een gewogen Hyvärinen-score wordt gebruikt om randeffecten en eenzijdige intervallen tussen aankomsten te behandelen.
3. Spatio-temporele CUSUM-statistiek: De detectiestatistiek $W_t$ wordt gedefinieerd als een supremum over alle kandidaat-veranderingstijden $\tau$ en ruimtelijke regio's $\Omega$ van de cumulatieve anomalie-maat:
   $$W_t = \sup_{0\le\tau\le t} \sup_{\Omega\subseteq S} \int_{[\tau,t)\times\Omega} \Delta(x) dN(x)$$
   Een alarm wordt afgegeven wanneer $W_t$ een drempelwaarde $\gamma$ overschrijdt.
4. Optimalisatiealgoritme: Om de gezamenlijke maximalisatie over continue tijd en ruimte op te lossen, ontwikkelen de auteurs een afwisselend optimalisatieschema (ST-Score algoritme). Dit werkt iteratief de geschatte veranderingsregio bij (I-stap) en het veranderpunt (O-stap) totdat convergentie optreedt. De I-stap identificeert regio's met positieve anomalie-scores, terwijl de O-stap de optimale starttijd voor de cumulatieve som vindt.
5. Online Adaptatie: Het kader bevat een mechanisme voor de online schatting van het post-change score-model wanneer historische post-change data niet beschikbaar is, waarbij het model wordt bijgewerkt via gradiëntafdaling op streaming data.

Belangrijkste Bijdragen

1. Continu Spatio-temporeel Kader: Het artikel overbrugt de kloof tussen klassieke tijd-alleen CUSUM-methoden en ad hoc ruimtelijke scanningsbenaderingen door een kader te introduceren waarin zowel het veranderpunt als de getroffen ruimtelijke regio onbekend en continu zijn.
2. Likelihood-vrije Detectie: Het ontwikkelt een schaalbare detectiemethode gebaseerd op score-matching die de expliciete likelihood-schatting vermijdt, wat het toepasbaar maakt op hoog-dimensionale of complexe dynamica waar likelihoods onhandelbaar zijn.
3. Theoretische Garanties: De auteurs stellen asymptotische garanties vast voor:
   • Controle van Vals Alarm: Het afleiden van ondergrenzen voor de Average Run Length (ARL) als functie van de drempelwaarde.
   • Detectievertraging: Het karakteriseren van de drift van de statistiek en het bieden van grenzen aan de Expected Detection Delay (EDD).
   • Lokalisatienauwkeurigheid: Het bewijzen dat de Jaccard-index tussen de geschatte en ware veranderingsregio's asymptotisch ondergrenzen heeft, waarbij de foutmarge gerelateerd is aan de lokalisatie-buurtstraal $\delta$.

Experimentele Resultaten
De voorgestelde methode werd geëvalueerd op synthetische data en twee real-world datasets:

• Synthetische Data: ST-Score werd vergeleken met baselines inclusief standaard CUSUM, SCUSUM, PP-CUSUM en MinCUSUM. ST-Score vertoonde consequent lagere verwachte detectievertragingen en hogere Jaccard-indices (betere ruimtelijke lokalisatie). De studie benadrukte dat hoewel sterke spatio-temporele spillover (hoge branching ratio in Hawkes-processen) de prestaties verslechtert, ST-Score superieur blijft aan baselines die vertrouwen op ruimtelijke discretisatie.
• Aardbeving Vroegtijdige Waarschuwing: Toegepast op de Japanse Meteorologische Agentuur aardbevingcatalogus, identificeerde de methode succesvol het begin van een seismische zwermperiode (2021–2023) en lokaliseerde de hoofdschokregio's, wat bewijs levert dat consistent is met de zwermtheorie.
• Bosbranddetectie: Toegepast op Californische bosbranddata, detecteerde de methode de ontsteking van de Palisades-bosbrand. Hoewel er geen voorafgaande signalen werden gevonden (consistent met het abrupte karakter van bosbrandontsteking), lokaliseerde de methode succesvol de getroffen regio na de ontsteking.

Betekenis en Claims
Het artikel claimt dat ST-Score een significante vooruitgang biedt door real-time detectie met ruimtelijke interpreteerbaarheid mogelijk te maken voor spatio-temporele puntprocessen. De betekenis ligt in:

• Bruikbaarheid: In tegen tegenstelling tot louter temporele methoden, identificeert het waar een verandering plaatsvindt, wat cruciaal is voor de toewijzing van middelen in domeinen zoals rampenbestrijding.
• Robuustheid: Door likelihood-parametrische aannames te vermijden, kan het complexe, onbekende dynamica (bijv. zelf-excitatie) aan, die traditionele likelihood-gebaseerde methoden vaak doen falen.
• Efficiëntie: De score-gebaseerde benadering en het afwisselende optimalisatieschema maken schaalbare berekeningen op continue ruimte-tijd data mogelijk zonder de noodzaak van handmatige ruimtelijke discretisatie of kostbare numerieke integratie.

De auteurs merken op dat hoewel de methode goed presteert, de effectiviteit afhangt van hyperparameters zoals de lokalisatie-straal $\delta$ en het aantal optimalisatie-iteraties $K$, en dat toekomstig werk zich kan richten op principiële hyperparameterselectie en het uitbreiden van de theoretische analyse naar bredere klassen van excitatie-kernels.