Online Change Point Detection for Multivariate Inhomogeneous Poisson Processes Time Series

Resumo Técnico: Detecção Online de Pontos de Mudança para Séries Temporais de Processos de Poisson Inhomogêneos Multivariados

Enunciado do Problema
Este trabalho aborda o desafio da detecção online de pontos de mudança para séries temporais de processos pontuais de Poisson (PPP) inhomogêneos multivariados. Embora os PPPs sejam amplamente utilizados para modelar eventos aleatórios no espaço com taxas dependentes da localização (por exemplo, terremotos, incêndios florestais, epidemias), a literatura existente foca majoritariamente em estimação offline ou modelos paramétricos. Uma lacuna significativa permanece no desenvolvimento de métodos não paramétricos e online capazes de lidar com PPPs multivariados onde observações consecutivas exibem dependência temporal. Dados do mundo real frequentemente exibem tal dependência devido à persistência ambiental ou dinâmicas latentes, no entanto, métodos padrão de detecção de mudanças tipicamente assumem independência ao longo do tempo ou dependem de fortes suposições paramétricas que não se adequam a mudanças gerais na função de intensidade.

Metodologia
Os autores propõem um algoritmo de detecção online de passagem única e computacionalmente eficiente que mapeia funções de intensidade de dimensão infinita para matrizes de baixo posto de dimensão finita. A metodologia central procede da seguinte forma:

1. Representação Matricial via Expansão em Base:
   A função de intensidade $\lambda^*$ é representada usando uma expansão em base ortonormal (especificamente dentro de um framework de Espaço de Hilbert com Kernel Reprodutor). O domínio $\mathcal{X} \subset \mathbb{R}^d$ é particionado em dois subconjuntos de coordenadas disjuntos de dimensões $p$ e $q$ (onde $p+q=d$). A função de intensidade é aproximada por uma matriz $M(\lambda^*) \in \mathbb{R}^{M^p \times M^q}$, onde as entradas são produtos internos da intensidade com funções de base de produto tensorial. Esta representação preserva distâncias e permite o cálculo eficiente de normas $L^2$ sem integração de Monte Carlo.

2. Construção da Estatística CUSUM:
   Para cada amostra observada de PPP $X^{(i)}$, uma matriz de intensidade empírica $\hat{M}^{(i)}$ é construída somando as avaliações das funções de base sobre os pontos observados. O algoritmo mantém somas acumuladas dessas matrizes em duas listas, $L$ e $R$, correspondentes às janelas pré-mudança e pós-mudança. Em cada passo de tempo $j$, uma matriz de estatística CUSUM $D$ é computada como a diferença entre a média das matrizes na janela pré-mudança e a janela pós-mudança.

3. SVD Restrita e Poda (Trimming):
   Para lidar com alta dimensionalidade e reduzir a variância, o algoritmo aplica uma Decomposição em Valores Singulares Restrita (RSVD) à matriz de diferença $D$.

   • Poda Adaptativa: O tamanho da base é podado adaptativamente com base no tamanho efetivo da amostra da janela atual. Janelas menores suportam apenas a estimação confiável de um número menor de coeficientes matriciais.
   • Projeção de Baixo Posto: A matriz podada é projetada sobre seus $r$ principais vetores singulares. Isso aproveita a suposição de que a diferença entre as funções de intensidade pré e pós-mudança ($\lambda^* - \lambda^*_a$) é aproximadamente de baixo posto, uma propriedade apoiada pela teoria de PCA funcional para funções suaves.

4. Regra de Detecção:
   Um alarme é disparado se a norma de Frobenius da matriz projetada de posto $r$, $\|D^{[r]}\|_F$, exceder um limite orientado por dados que escala com o tamanho da janela e os parâmetros de suavidade.

Principais Contribuições Teóricas
O artigo estabelece garantias de amostra finita para o método proposto sob uma suposição de dependência temporal de mistura $\beta$ geometricamente.

• Nova Desigualdade de Bernstein Matricial: Uma contribuição teórica primária é a derivação de uma nova desigualdade de Bernstein matricial adaptada para séries temporais de processos pontuais de Poisson de mistura $\beta$ geometricamente. Esta desigualdade controla o desvio da soma de matrizes aleatórias dependentes, o que é essencial para lidar com a dependência temporal nas amostras de PPP.
• Controle de Falsos Alarmes: Os autores provam que, com uma constante de limite suficientemente grande, a probabilidade geral de um falso alarme ao longo de todo o horizonte temporal é limitada por $\alpha$.
• Atraso de Detecção: Sob um cenário de único ponto de mudança, o algoritmo é mostrado para detectar uma mudança dentro de um atraso $\Delta$ que depende explicitamente da magnitude da mudança na norma $L^2$ ($\kappa$) e da suavidade das funções de intensidade. Notavelmente, o limite de atraso de detecção escala como $O(\kappa^{-2-(p \vee q)/\gamma})$, que é estritamente melhor em ordem do que os limites não paramétricos offline existentes ($O(\kappa^{-2-d/\gamma})$) porque o método explora a particão de coordenadas ($p \vee q < d$).

Resultados Empíricos
O método, denominado "Detector Matricial", foi avaliado contra dois benchmarks: um detector baseado em MMD (Li et al., 2015) e um detector baseado em Estimador de Intensidade de Kernel (KIE) (Madrid Padilla et al., 2023).

• Estudos de Simulação: Experimentos em configurações 3D e 4D com variáveis latentes dependentes temporalmente demonstraram que o Detector Matricial alcança atrasos de detecção médios (ADD) significativamente menores em comparação com os benchmarks, mantendo probabilidades de falso alarme comparáveis.
• Robustez: Simulações adicionais em 10D mostraram que o método permanece eficaz mesmo quando a diferença de intensidade não é exatamente de baixo posto, superando um detector CUSUM baseado em rede neural. O método também foi mostrado robusto à escolha do parâmetro de posto $r$ e à estratégia de particionamento de coordenadas.
• Aplicação em Dados Reais: O algoritmo foi aplicado a dados de terremotos de Oklahoma (2000–2018). Ele detectou com sucesso um ponto de mudança em junho de 2009, alinhando-se com aumentos conhecidos na atividade sísmica ligados à injeção de águas residuais, enquanto o detector KIE disparou um alarme muito cedo (2007) e o detector MMD falhou em disparar um alarme até o final do período do estudo.

Significado e Alegações
Os autores afirmam que este trabalho fornece a primeira abordagem de propósito geral com garantias prováveis para detectar mudanças não paramétricas em intensidades de PPP multivariadas sob dependência temporal realista. O significado do trabalho reside em:

1. Lidar com Dependência Temporal: Ir além da suposição de independência comum na detecção de mudanças em processos pontuais, utilizando condições de mistura $\beta$.
2. Eficiência Computacional: Oferecer um algoritmo de passagem única com custo computacional constante por nova observação, independente do comprimento decorrido da série temporal, tornando-o escalável para monitoramento de longo prazo.
3. Rigor Teórico: Fornecer limites não assintóticos que contabilizam conjuntamente o viés de truncamento da base e a variância estocástica em configurações dependentes, apoiados por uma nova desigualdade de Bernstein matricial.

O artigo conclui que o método proposto é tanto estatisticamente robusto quanto computacionalmente eficiente, oferecendo uma solução prática para aplicações como sismologia de terremotos, monitoramento climático e vigilância de epidemias, onde dados de eventos são multivariados, inhomogêneos e dependentes temporalmente.