技术摘要：序列变化检测后的无分布假设变点定位

问题陈述

本文研究了在任意观测空间 $\mathcal{X}$ 中进行**序列变点定位（sequential changepoint localization）这一基本问题。虽然已有大量关于设计停止规则（例如 CUSUM、Shiryaev–Roberts、共形测试鞅）以检测分布变化发生“何时”的文献，但在发出警报后，如何构建针对未知变点 $T$ 的统计有效置信集（statistically valid confidence sets）**仍缺乏严谨的方法。

现有的检测后推理方法（例如 Ding, 2003a; Wu, 2007; Saha and Ramdas, 2026）通常需要苛刻的假设：

1. 已知分布： 变化前（$F_0$）和变化后（$F_1$）的分布必须是已知的，或者属于特定的参数族（例如指数族）。
2. 不相交类： 可能的变前与变后分布集合必须是预先已知的且互不相交。
3. 渐近保证： 许多方法仅能提供渐近覆盖率保证。

作者旨在构建能够满足有限样本覆盖保证的 $T$ 置信集，而无需对 $F_0$ 和 $F_1$ 做出任何分布假设（除了它们是不同的这一假设）。其目标是实现条件覆盖：
$$P_{F_0,T,F_1}(T \in C \mid \tau \ge T) \ge 1 - \alpha$$
其中 $\tau$ 是序列检测器的停止时间。

方法论

所提出的框架将**检测（detection）阶段与定位（localization）阶段解耦。它作为一个“包装器（wrapper）”，可以套用在任何现有的序列变化检测算法之上（无论该检测器本身是否为无分布假设的）。其核心方法论依赖于共形测试鞅（conformal test martingales）**以及数据段的可交换性。

1. 核心假设

• 可交换性（Exchangeability）： 变化前片段 $X_1, \dots, X_{T-1}$ 是可交换的（假设 2），变化后片段 $X_T, X_{T+1}, \dots$ 是可交换的（假设 1）。
• 黑盒访问： 定位程序可以访问停止时间 $\tau$ 以及直到 $\tau$ 时刻的数据序列，但将检测算法视为黑盒。
• 无分布估计： 需要一个对于直到时间 $t$ 无误报概率（$P_{F_0, \infty}[\tau \ge t]$）的无偏（或负偏）估计量 $\hat{r}_t$。这可以通过使用来自任何便利分布的 i.i.d. 数据进行蒙特卡洛模拟来估计，前提是检测器在零假设下的停止时间分布与具体的 $F_0$ 无关（假设 3）。

2. 置信集的构建

该方法分别构建单侧置信集，并通过它们的交集形成一个双侧区间。

下置信集 ($C^{\alpha}_{low}$)

• 目标： 确定一个时间 $t$，使得真实的变点 $T \ge t$。
• 假设检验： 对于候选的 $t$，检验 $H_0: T = t$ 对抗 $H_1: T > t$。
• 机制： 如果 $T > t$，则片段 $X_t, \dots, X_\tau$ 包含了变前与变后数据的混合，从而违反了可交换性。如果 $T = t$，则该片段是纯粹的变后数据且具有可交换性。
• 步骤：
  1. 基于窗口 $[t, j]$ 内的得分比较，计算序列共形 p 值 $p^j_t$（其中 $j \ge t$）。
  2. 通过校准函数 $f_{t,j}(p) = 1 + \lambda_{t,j}(p - 0.5)$ 将 p 值转换为 e 值。
  3. 通过鞅 $M_t = \prod f_{t,j}(p^j_t)$ 聚合证据。
  4. 如果窗口内的最大鞅值不超过阈值 $1/(\alpha \hat{r}_t)$，则保留 $t$ 进入 $C^{\alpha}_{low}$。

上置信集 ($C^{\beta}_{up}$)

• 目标： 确定一个时间 $t$，使得真实的变点 $T \le t$。
• 假设检验： 对于候选的 $t$，检验 $H_0: T = t$ 对抗 $H_1: T < t$。
• 机制： 与下侧集合类似，但向**后向（backward）**方向运行。如果 $T < t$，则片段 $X_1, \dots, X_t$ 包含了混合数据，从而违反了变前数据的可交换性。
• 步骤： 计算后向序列共形 p 值 $q^j_t$（其中 $j \le t$），通过鞅进行聚合，并保留统计量保持在阈值以下的 $t$。

双侧置信集

最终的置信集是两者的交集：$C = C^{\alpha}_{low} \cap C^{\beta}_{up}$。根据联合界（union bound），这满足 $P(T \in C \mid \tau \ge T) \ge 1 - \alpha - \beta$。

3. 校准器学习

虽然理论界限假设存在一个“先知（oracle）”校准器（最优选择的 $\lambda$），但本文建议使用在线凸优化（具体为带有跟随领先历史的在线牛顿步法，Online Newton Step with Follow-The-Leading-History）来自适应地学习 $\lambda_{t,j}$ 序列。这确保了在优化置信集大小的同时，保持对数级的遗憾（regret），并维持置信集的有效性。

主要贡献

1. 首个通用无分布假设框架： 本文引入了第一个用于序列变点定位的通用框架，该框架在不需要了解 $F_0$ 或 $F_1$，也不需要假设分布类不相交（$P_0 \cap P_1 = \emptyset$）的情况下，提供了有限样本的覆盖保证。
2. 检测与推理的解耦： 该方法允许将任意序列变化检测器（包括基于 ARL 或 PFA 控制的检测器）包装上一个无分布假设的推理层。
3. 单侧与双侧构建： 作者开发了截然不同的构造方式来处理下界和上界，承认了序列定位的内在不对称性。他们证明了两者都具有有限样本覆盖率。
4. 非渐近与渐近界限：
   • 有限样本： 推导了置信集条件预期大小的显式界限。
   • 渐近： 在合适的机制下（即检测延迟随变点 $T$ 对数级缩放时），即使没有分布假设，置信集的大小也被证明是一致有界的（或呈亚线性增长）。
5. 零概率的实际估计： 提供了一种通过使用任意 i.i.d. 数据进行蒙特卡洛模拟来估计关键归一化项 $\hat{r}_t$ 的方法，从而绕过了对特定零分布 $F_0$ 的需求。

结果

理论结果

• 覆盖率： 定理 1 和定理 2 确立了下侧和上侧集合分别至少达到 $1-\alpha$ 和 $1-\beta$ 的条件覆盖率。推论 1 将此扩展到了双侧集合。
• 规模界限：
  • 定理 3 & 4： 对于下置信集，根据信号强度 $\delta$ 和检测延迟机制的不同，其预期变前长度为 $O(1)$ 或 $O(\log T)$。
  • 定理 5 & 6： 在检测器停止时间分布满足温和条件的情况下，上置信集的预期变后长度为 $O(1)$。
  • 定理 7 & 10： 在适当的渐近机制下，组合后的双侧集合规模是一致有界的，或者在 $T$ 方面增长非常缓慢（亚线性）。
• 自适应学习： 定理 8、9 和 10 表明，使用具有对数级遗憾的在线学习进行校准可以保持这些界限，仅需对常数进行微调。

实验结果

作者在三个数据集上验证了该方法：

1. 高斯均值变化： 模拟 $N(-1, 1) \to N(1, 1)$。该方法成功定位了变点，并给出了紧凑的置信区间（例如，当 $T=500$ 时，宽度 $\approx 5$）。
2. MNIST 数字变化： 一个高维设置，分布从数字 '3' 变为 '7'（或混合分布）。通过使用预训练的 CNN 进行评分，该方法实现了尖锐的区间（例如，对于 $T=400$，区间为 $[395, 400]$）。
3. 葡萄酒质量数据集： 一个模拟从白葡萄酒切换到红葡萄酒的真实应用场景。研究发现下置信界限为 387（真实 $T=400$），这允许操作员以 90% 的置信度将 386 时刻之前的样本认证为“白葡萄酒”。

重要性与主张

本文声称提供了首个通用的无分布假设序列变点定位框架，并提供了有效的检测后覆盖保证。

• 动机： 在现实世界的系统中（如工业监控、网络安全），数据生成机制往往复杂、高维且难以精确描述，使得可靠的分布建模变得不可行。现有的需要已知 $F_0/F_1$ 或不相交类的要求在这些场景中是不切实际的。
• 优于前人工作： 与 Saha and Ramdas (2026) 不同，该框架允许 $P_0 = P_1 = \mathcal{P}$（所有分布的集合），仅要求特定的实现 $F_0 \neq F_1$。
• 实际效用： 下置信界限被强调为在质量控制中特别有用，它提供了一个“安全时间阈值”，在此时间之后，系统被保证处于变后（可能存在故障）的状态，从而允许进行针对性的隔离。
• 鲁棒性： 该程序的有效性不依赖于建模假设；模型（例如用于评分的模型）仅影响统计效率（即区间的规模），而不影响覆盖保证的有效性。

作者总结道，即使在没有分布假设的情况下，实现可靠的变点定位也是可能的，这为序列分析提供了一个概念简单且广泛适用的工具。未来的工作建议将其扩展到多流（multi-stream）设置中。