Resumo Técnico: Localização de Mudança de Ponto de Alteração Livre de Distribuição após Detecção de Mudança Sequencial

Declaração do Problema

O artigo aborda o problema fundamental da localização sequencial de ponto de alteração em um espaço de observação arbitrário $\mathcal{X}$. Embora exista uma vasta literatura sobre o design de regras de parada (ex: CUSUM, Shiryaev–Roberts, martingais de teste conformes) para detectar quando ocorre uma mudança distributiva, há uma carência de métodos rigorosos para construir conjuntos de confiança estatisticamente válidos para o ponto de alteração desconhecido $T$ após um alarme ter sido disparado.

Os métodos de inferência pós-detecção existentes (ex: Ding, 2003a; Wu, 2007; Saha e Ramdas, 2026) tipicamente exigem suposições restritivas:

1. Distribuições Conhecidas: As distribuições pré-mudança ($F_0$) e pós-mudança ($F_1$) devem ser conhecidas ou pertencer a famílias paramétricas específicas (ex: famílias exponenciais).
2. Classes Disjuntas: Os conjuntos de possíveis distribuições pré e pós-mudança devem ser disjuntos e conhecidos a priori.
3. Garantias Assintóticas: Muitos fornecem apenas garantias de cobertura assintótica.

Os autores visam construir conjuntos de confiança para $T$ que satisfaçam garantias de cobertura em amostra finita sem quaisquer suposições distributivas sobre $F_0$ e $F_1$, exceto pela suposição de que elas são distintas. O objetivo é alcançar a cobertura condicional:
$$P_{F_0,T,F_1}(T \in C \mid \tau \ge T) \ge 1 - \alpha$$
onde $\tau$ é o tempo de parada de um detector sequencial.

Metodologia

O framework proposto desacopla a fase de detecção da fase de localização. Ele atua como um "wrapper" (invólucro) em torno de qualquer algoritmo de detecção de mudança sequencial existente (independentemente de o detector ser ou não livre de distribuição). A metodologia central baseia-se em martingais de teste conformes e na permutabilidade (exchangeability) de segmentos de dados.

1. Suposições Centrais

• Permutabilidade (Exchangeability): O segmento pré-mudança $X_1, \dots, X_{T-1}$ é permutável (Suposição 2), e o segmento pós-mudança $X_T, X_{T+1}, \dots$ é permutável (Suposição 1).
• Acesso Black-Box: O procedimento de localização tem acesso ao tempo de parada $\tau$ e à sequência de dados até $\tau$, mas trata o algoritmo de detecção como uma caixa preta.
• Estimativa Livre de Distribuição: É necessário um estimador não enviesado (ou negativamente enviesado) $\hat{r}_t$ para a probabilidade de não haver alarme falso até o tempo $t$ ($P_{F_0, \infty}[\tau \ge t]$). Isso pode ser estimado via simulação de Monte Carlo usando dados i.i.d. de qualquer distribuição conveniente, desde que a distribuição do tempo de parada do detector sob a nulidade seja independente de uma $F_0$ específica (Suposição 3).

2. Construção de Conjuntos de Confiança

O método constrói conjuntos de confiança unilaterais separadamente e os intersecta para formar um intervalo bilateral.

Conjunto de Confiança Inferior ($C^{\alpha}_{low}$)

• Objetivo: Identificar um tempo $t$ tal que o verdadeiro ponto de alteração $T \ge t$.
• Teste de Hipótese: Para um candidato $t$, testa-se $H_0: T = t$ contra $H_1: T > t$.
• Mecanismo: Se $T > t$, o segmento $X_t, \dots, X_\tau$ contém uma mistura de dados pré e pós-mudança, violando a permutabilidade. Se $T = t$, o segmento é puramente pós-mudança e permutável.
• Procedimento:
  1. Computar p-valores conformes sequenciais $p^j_t$ para $j \ge t$ baseados em comparações de escores dentro da janela $[t, j]$.
  2. Transformar p-valores em e-valores usando uma função calibradora $f_{t,j}(p) = 1 + \lambda_{t,j}(p - 0.5)$.
  3. Agregar evidências via um martingal $M_t = \prod f_{t,j}(p^j_t)$.
  4. Reter $t$ em $C^{\alpha}_{low}$ se o valor máximo do martingal sobre a janela não exceder o limiar $1/(\alpha \hat{r}_t)$.

Conjunto de Confiança Superior ($C^{\beta}_{up}$)

• Objetivo: Identificar um tempo $t$ tal que o verdadeiro ponto de alteração $T \le t$.
• Teste de Hipótese: Para um candidato $t$, testa-se $H_0: T = t$ contra $H_1: T < t$.
• Mecanismo: Semelhante ao conjunto inferior, mas opera na direção inversa. Se $T < t$, o segmento $X_1, \dots, X_t$ contém uma mistura, violando a permutabilidade pré-mudança.
• Procedimento: Computar p-valores conformes sequenciais de direção reversa $q^j_t$ para $j \le t$, agregar via um martingal e reter $t$ se a estatística permanecer abaixo do limiar.

Conjunto de Confiança Bilateral

O conjunto de confiança final é a interseção: $C = C^{\alpha}_{low} \cap C^{\beta}_{up}$. Pelo limite da união (union bound), isso satisfaz $P(T \in C \mid \tau \ge T) \ge 1 - \alpha - \beta$.

3. Aprendizado do Calibrador

Embora os limites teóricos assumam um calibrador "oráculo" (escolhido otimamente por $\lambda$), o artigo propõe o uso de otimização convexa online (especificamente Online Newton Step com Follow-The-Leading-History) para aprender a sequência de $\lambda_{t,j}$ de forma adaptativa. Isso garante um regret logarítmico, mantendo a validade dos conjuntos de confiança enquanto otimiza seu tamanho.

Principais Contribuições

1. Primeiro Framework Geral Livre de Distribuição: O artigo introduz o primeiro framework para localização de ponto de alteração pós-detecção que fornece garantias de cobertura em amostra finita sem exigir o conhecimento de $F_0$ ou $F_1$, ou assumir classes de distribuição disjuntas ($P_0 \cap P_1 = \emptyset$).
2. Desacoplamento de Detecção e Inferência: O método permite que algoritmos de detecção sequencial arbitrários (incluindo aqueles baseados em controle de ARL ou PFA) sejam envolvidos por uma camada de inferência livre de distribuição.
3. Construções Unilaterais e Bilaterais: Os autores desenvolvem construções distintas para limites inferiores e superiores, reconhecendo a assimetria intrínseca da localização sequencial. Eles provam a cobertura em amostra finita para ambos.
4. Limites Não Assintóticos e Assintóticos:
   • Amostra Finita: São derivados limites explícitos sobre o tamanho esperado condicional dos conjuntos de confiança.
   • Assintótico: Sob regimes adequados (onde o atraso de detecção escala logaritmicamente com o ponto de alteração $T$), mostra-se que o tamanho esperado do conjunto de confiança permanece uniformemente limitado (ou cresce sublinearmente), mesmo sem suposições distributivas.
5. Estimativa Prática de Probabilidades da Nulidade: Um método para estimar o termo de normalização crítico $\hat{r}_t$ via simulação de Monte Carlo usando dados i.i.d. arbitrários, contornando a necessidade da distribuição nula específica $F_0$.

Resultados

Resultados Teóricos

• Cobertura: O Teorema 1 e o Teorema 2 estabelecem que os conjuntos inferior e superior alcançam cobertura de pelo menos $1-\alpha$ e $1-\beta$, respectivamente. O Corolário 1 estende isso ao conjunto bilateral.
• Limites de Tamanho:
  • Teoremas 3 & 4: Para o conjunto de confiança inferior, o comprimento esperado pré-mudança é $O(1)$ ou $O(\log T)$ dependendo da força do sinal $\delta$ e do regime de atraso de detecção.
  • Teoremas 5 & 6: Para o conjunto de confiança superior, o comprimento esperado pós-mudança é $O(1)$ sob condições suaves sobre a distribuição do tempo de parada do detector.
  • Teoremas 7 & 10: O tamanho do conjunto bilateral combinado é uniformemente limitado ou cresce muito lentamente (sublinearmente) em $T$ sob regimes assintóticos apropriados.
• Aprendizado Adaptativo: Os Teoremas 8, 9 e 10 mostem que o uso de aprendizado online para calibradores (com regret logarítmico) preserva esses limites, com apenas ajustes menores nas constantes.

Resultados Empíricos

Os autores validam o método em três conjuntos de dados:

1. Mudança de Média Gaussiana: Simulações com $N(-1, 1) \to N(1, 1)$. O método localizou o ponto de alteração com intervalos de confiança estreitos (ex: largura $\approx 5$ para $T=500$).
2. Mudança de Dígito MNIST: Um cenário de alta dimensão onde a distribuição muda de o dígito '3' para '7' (ou distribuições mistas). Usando uma CNN pré-treinada para pontuação, o método alcançou intervalos agudos (ex: $[395, 400]$ para $T=400$).
3. Conjunto de Dados de Qualidade do Vinho: Uma aplicação do mundo real simulando uma transição de vinho branco para vinho tinto. O limite de confiança inferior foi encontrado como 387 (verdadeiro $T=400$), permitindo que operadores certifiquem amostras até o tempo 386 como "brancas" com 90% de confiança.

Significância e Alegações

O artigo afirma fornecer o primeiro framework geral livre de distribuição para localização de ponto de alteração sequencial com garantias de cobertura pós-detecção válidas.

• Motivação: Em sistemas do mundo real (monitoramento industrial, segurança de rede), os mecanismos geradores de dados são frequentemente complexos, de alta dimensão e mal especificados, tornando o modelamento distributivo confiável algo inviável. Métodos existentes que exigem $F_0/F_1$ conhecidos ou classes disjuntas são pouco realistas nesses cenários.
• Vantagem sobre Trabalhos Anteriores: Diferente de Saha e Ramdas (2026), que exige $P_0 \cap P_1 = \emptyset$, este framework permite $P_0 = P_1 = \mathcal{P}$ (o universo de todas as distribuições), exigindo apenas que a $F_0$ realizada seja diferente de $F_1$.
• Utilidade Prática: O limite de confiança inferior é destacado como particularmente útil para controle de qualidade, fornecendo um "limite de tempo seguro" após o qual um sistema é garantido estar em um estado pós-mudança (potencialmente defeituoso), permitindo o isolamento direcionado de produtos afetados.
• Robustez: A validade do procedimento não depende de suposições de modelagem; modelos (ex: para pontuação) afetam apenas a eficiência estatística (o tamanho do intervalo), não a validade da garantia de cobertura.

Os autores concluem que a localização confiável de pontos de alteração é possível mesmo sem suposições distributivas, oferecendo uma ferramenta conceitualmente simples e amplamente aplicável para análise sequencial. Sugere-se como trabalho futuro a extensão para configurações de múltiplos fluxos (multi-stream).