Optimal sequential detection in multi-stream data
多数据流中的最优序贯检测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：摘要研究一般检测器数据流的序贯变化检测，未明确涉及宏观结构变化或其他所列经济计量方向。
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
多数据流中的最优序贯检测
- 研究问题
- 大量检测器持续产生数据时，如何在线识别少数数据流的分布变化，并刻画变化比例对最优检测延迟的影响？
- 方法与思路
- 作者扩展混合似然比与 CUSUM 求和方法，对各流的部分得分或 CUSUM 得分进行可检测性变换后求和，用于正态均值变化检测。
- 材料陈述的贡献
- 摘要称给出了随变化流比例而异的三个检测区域，分别涉及即时、对数增长及经典延迟框架，并提出达到最优延迟的方法。
- 阅读关注点
- 应核对最优性采用的误报约束、数据流之间的依赖条件、均值变化设定，以及三个区域的边界和得分变换的具体实现。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要。最优性陈述针对正态均值变化；摘要未给出区域阈值及完整条件，不能推广到任意分布变化。
原文摘要
Consider a large number of detectors each generating a data stream. The task is to detect online, distribution changes in a small fraction of the data streams. Previous approaches to this problem include the use of mixture likelihood ratios and sum of CUSUMs. We provide here extensions and modifications of these approaches that are optimal in detecting normal mean shifts. We show how the (optimal) detection delay depends on the fraction of data streams undergoing distribution changes as the number of detectors goes to infinity. There are three detection domains. In the first domain for moderately large fractions, immediate detection is possible. In the second domain for smaller fractions, the detection delay grows logarithmically with the number of detectors, with an asymptotic constant extending those in sparse normal mixture detection. In the third domain for even smaller fractions, the detection delay lies in the framework of the classical detection delay formula of Lorden. We show that the optimal detection delay is achieved by the sum of detectability score transformations of either the partial scores or CUSUM scores of the data streams.