Efficient scalable schemes for monitoring a large number of data streams
监测大量数据流的高效可扩展方案AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究在线变点检测与变化后的检测延迟，对应结构变化方法，应用并非宏观经济数据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
监测大量数据流的高效可扩展方案
- 研究问题
- 同时在线监测大量独立数据流时，事件发生时间和受影响的数据流集合均未知，如何在控制全局误报的同时尽快发现变化？
- 方法与思路
- 作者提出基于各数据流局部累积和统计量之和的可扩展监测方案，分析检测延迟的渐近性质，并用模拟与启发式论证说明边界。
- 材料陈述的贡献
- 摘要称在全局误报约束下，方案对每种受影响集合均渐近最小化检测延迟；附录另给出多个独立随机游走的概率结果。
- 阅读关注点
- 应核对数据流独立性、变化前后模型、误报约束与检测延迟的定义，以及渐近最优结论采用的极限方式和适用集合。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；渐近最优不保证有限样本最佳，相关数据流下的有效性、具体条件与数值结果未提供。
原文摘要
The sequential changepoint detection problem is studied in the context of global online monitoring of a large number of independent data streams. We are interested in detecting an occurring event as soon as possible, but we do not know when the event will occur, nor do we know which subset of data streams will be affected by the event. A family of scalable schemes is proposed based on the sum of the local cumulative sum, cusum, statistics from each individual data stream, and is shown to asymptotically minimize the detection delays for each and every possible combination of affected data streams, subject to the global false alarm constraint. The usefulness and limitations of our asymptotic optimality results are illustrated by numerical simulations and heuristic arguments. The Appendices contain a probabilistic result on the first epoch to simultaneous record values for multiple independent random walks.