Cauchy Aggregation of Ridge-Regularized Hotelling Tests for High-Dimensional Change-Point Detection

技术摘要：用于高维变点检测的岭正则化 Hotelling 测试的 Cauchy 聚合方法

1. 问题表述
本文研究了在高维时间序列中检测均值向量变化的课题，其中维度 $p$ 与样本量 $n$ 相当。数据模型为 $X_j = \mu_j + \Sigma_p^{1/2}Z_j$，其中协方差矩阵 $\Sigma_p$ 是时间不变的，目标是检验零假设 $H_0: \mu_1 = \dots = \mu_n$ 与涉及一个或多个突发均值偏移的备择假设。

在高维设定下，样本协方差矩阵 $S_n$ 通常是奇异或病态的，使得基于 $S_n^{-1}$ 的经典 Hotelling 型测试无法应用。岭正则化 Hotelling (RHT) 测试通过使用 $(S_n + \lambda I_p)^{-1}$ 代替 $S_n^{-1}$ 提供了解决方案。然而，RHT 测试的功效关键取决于岭参数 $\lambda$ 的选择。最优 $\lambda$ 取决于未知的协方差结构以及未知的均值偏移方向/稀疏性。选择单个固定的 $\lambda$ 存在因相对于真实底层信号的参数选择失误而导致显著功效损失的风险。

2. 方法论
作者提出了一种聚合方法，旨在避免选择单个最优岭参数。该方法的操作流程如下：

• 确定性网格： 预先固定一个有限的、确定性的岭参数网格 $\Lambda_n = \{\lambda_{1,n}, \dots, \lambda_{L,n}\}$。这些值通过比例 $\gamma_n = p/(n-1)$ 进行缩放，以确保在 $n, p \to \infty$ 时保持远离零且不趋于无穷大。
• 固定岭统计量： 对于每个 $\lambda_\ell \in \Lambda_n$，作者计算边际 RHT 扫描统计量 $T_{\lambda_\ell}$ 及其对应的 $p$ 值 $P_{\lambda_\ell}$。在标准随机矩阵假设下，边际统计量 $T_{\lambda_\ell}$ 的分布收敛于一个枢轴高斯过程上确界，这使得边际 $p$ 值具有渐近有效性且与 $\Sigma_p$ 无关。
• Cauchy 组合： 使用 Cauchy 组合规则（Liu 和 Xie [12]）对边际 $p$ 值进行聚合。测试统计量定义为 $C_n = \sum_{\ell=1}^L w_\ell \tan\{\pi(1/2 - P_{\lambda_\ell})\}$，其中 $w_\ell$ 是总和为 1 的固定权重。解析 $p$ 值计算为 $P_{CCT} = 1/2 - (1/\pi)\arctan(C_n)$。

3. 关键理论贡献
本文在标准随机矩阵条件（假设 1）下确立了该聚合策略的理论有效性：

• 有限网格联合零极限： 主要的理论贡献是推导了岭过程向量 $\{D_{\lambda_\ell}(s)\}_{\ell=1}^L$ 向中心高斯向量过程 $\{G_\ell(s)\}_{\ell=1}^L$ 的联合弱收敛性。虽然边际过程是枢轴的，但跨岭协方差结构取决于 $\Sigma_p$ 的极限谱分布。
• 规模有效性： 文中分析了两种校准方案：
  1. 联合极限校准： 使用来自 $p$ 值联合极限分布的关键值，可保证渐近精确的固定水平规模（size）。
  2. 解析 Cauchy 校准： 标准的解析 Cauchy $p$ 值提供了一种简单且对依赖性具有鲁棒性的近似。论文证明了该解析 $p$ 值在“小尾部”意义上是有效的（即 $\lim_{\alpha \downarrow 0} \lim_{n \to \infty} P(P_{CCT} \le \alpha)/\alpha = 1$），尽管在没有联合校准的情况下，它在常规水平（如 0.05）上可能无法产生精确的规模。
• 自适应一致性： 作者证明，如果存在至少一个网格点 $\lambda_{\ell_0}$ 使得信号漂移趋于无穷大，则聚合测试的功效趋于 1，前提是其他项不会渐近抵消该发散项。这确立了该方法在无需显式估计最优 $\lambda$ 的情况下，能够适应未知信号结构的能力。

4. 仿真结果
通过针对各种协方差结构（单位矩阵、Toeplitz 矩阵、多项式衰减、指数衰减、复合对称）和信号类型（密集独立、协方差对齐及稀疏偏移）的蒙特卡洛实验表明：

• 规模控制： 仿真显示，在确定性网格上使用适中的岭值可以使经验规模接近标称水平（5%）。非常小的岭值在 $p/n$ 较大时可能会过于宽松，从而说明了将极小参数排除在网格之外的必要性。
• 功效表现： Cauchy 聚合测试始终能获得接近“预知”（oracle）最佳固定岭选择的功效。
• 鲁棒性： 该方法追踪了在不同协方差和信号配置下的最佳固定岭表现。表 3 量化了相对于选取 $\lambda/\gamma_n = 0.1$ 或 $0.2$ 的固定选择的累积功效差距，结果显示 Cauchy 组合测试 ($\Delta_{CCT}$) 的损失始终最小。当最优岭值随谱结构发生显著变化时（例如在多项式衰减或协方差对齐信号下），这种优势尤为明显。

5. 意义与主张
本文声称其聚合方法为高维变点检测中的调参困境提供了一个实用的解决方案。通过避免估计单个幂最优的岭值，该方法：

• 通过使用确定性网格维持了稳定的规模行为。
• 在广泛的未知协方差和信号配置下，实现了与最佳固定岭选择相媲美的功效。
• 为在此背景下使用 Cauchy 规则提供了理论依据，特别是在澄清精确联合极限校准与解析小尾部近似之间的区别方面。

作者总结道，通过聚合一个稳定的确定性岭网格，可以在不需要选择单个可能并非最优的岭参数的情况下，恢复大部分预知固定岭的功效。他们指出，该方法依赖于网格远离零这一假设，以避免有限样本的不稳定性。