Performance of Sequential and Quickest Detection Based on Machine Learning

Ryan J. Harvey

doi:10.1109/ojsp.2026.3718771

Performance of Sequential and Quickest Detection Based on Machine Learning

2026-07-30

0

OA

AI

Leonardo M. Millefiori

P

Peter Willett

DOI：10.1109/ojsp.2026.3718771

原文链接

原文求助

摘要

En 中文

随着机器学习（ML）和深度学习（DL）决策系统的快速普及，对其往往不可预测的性能进行准确表征是一个关键挑战。本文介绍了基于数据驱动的序贯概率比检验（SPRT）和Page检验的类比方法，分别称为序贯数据驱动决策函数（S-D3F）和最快数据驱动决策函数（Q-D3F）。研究表明，S-D3F和Q-D3F继承了SPRT和Page检验的许多关键特性，这些特性通过统计表征过程，允许将它们的性能预测策略可靠地扩展到这些数据驱动方法中。因此，可以利用机器学习驱动的检测器执行序贯分析和最快检测，同时达到近最优性能和可靠的性能建模；即性能可以直接从训练数据本身进行预测。通过广泛的数值实验验证了这些预测的可靠性，包括通过注入真实合成信号的环境声学数据集进行的具有挑战性的低信噪比被动声学检测问题。

Keyword:

Machine learning

artificial intelligence

sequential analysis

signal detection

quickest detection

large deviations theory

hypothesis testing

model-based machine learning

Performance of Sequential and Quickest Detection Based on Machine Learning

摘要

期刊

机构

引用论文