이동합 알고리즘 평균 실행 길이 근사와 다변량 확률 분석

초록

본 논문은 이동합(Moving Sum) 기반 변화 탐지 알고리즘의 평균 실행 길이(ARL)를 다변량 확률을 이용한 급수 형태로 근사하는 방법을 제시한다. 수렴 조건을 이론적으로 증명하고 오차 한계를 도출했으며, 시뮬레이션을 통해 이동평균과 필터드 파생 알고리즘에 적용 가능함을 확인한다. 또한 기존 연구와 비교해 새로운 상한·하한을 제공한다.

상세 분석

논문은 먼저 변화 탐지 문제를 확률 과정의 평균 실행 길이(ARL) 관점에서 정의한다. 이동합 알고리즘은 일정 길이 L의 윈도우에 들어오는 관측값을 가중합하거나 평균을 구한 뒤, 사전에 정해진 임계값을 초과하면 신호를 발생시키는 방식이다. ARL은 “거짓 양성”이 발생하기까지 평균적으로 요구되는 샘플 수이며, 설계 단계에서 가장 중요한 성능 지표 중 하나이다. 전통적으로 ARL은 마코프 체인 전이 행렬을 이용한 수치적 방법이나 몬테카를로 시뮬레이션으로 추정한다. 그러나 이러한 방법은 차원(윈도우 길이) 증가에 따라 계산 복잡도가 급격히 상승한다.

저자들은 ARL을 “첫 번째 초과 시점”의 기대값으로 표현하고, 이를 확률 변수들의 다변량 누적 분포 함수(CDF)들의 급수 전개 형태로 변환한다. 구체적으로, (T)를 첫 번째 초과 시점이라 하면
\