Neues Verfahren erkennt schnelle Änderungen in Markov-Prozessen ohne Likelihood

In einer kürzlich veröffentlichten Studie wird ein innovatives Verfahren vorgestellt, das die schnelle Erkennung von Änderungen in Markov-Prozessen ermöglicht – und das ohne die klassische Likelihood-Berechnung. Stattdessen lernt das System den bedingten Score ∇y log p(y|x) direkt aus Stichprobenpaaren (x, y), wobei sowohl x als auch y hochdimensionale Daten sind, die vom selben Übergangskern erzeugt werden.

Auf Basis dieser Schätzung wird ein score‑basiertes CUSUM-Verfahren entwickelt, das Unterschiede im konditionalen Hyvarinen‑Score nutzt, um Veränderungen im Übergangskern zu detektieren. Um die Inkremente zu begrenzen, wird eine abgeschnittene Version des Statistikwertes vorgeschlagen. Durch die Anwendung von Hoeffding‑Ungleichungen für gleichmäßig ergodische Markov-Prozesse erhält man exponentielle Untergrenzen für die mittlere Zeit bis zu einer Fehlalarm‑Erkennung sowie asymptotische Obergrenzen für die Detektionsverzögerung.

Die Ergebnisse liefern sowohl theoretische Sicherheit als auch praktische Umsetzbarkeit für score‑basierte Detektionsmethoden in hochdimensionalen Markov-Modellen. Dieses Vorgehen eröffnet neue Perspektiven für die Überwachung komplexer dynamischer Systeme, bei denen die Übergangsdynamik unbekannt oder schwer zu modellieren ist.