Monitoring Network Changes in Social Media¶

作者: Cathy Yi-Hsuan Chen, Yarema Okhrin, Tengyao Wang
来源: Journal of Business & Economic Statistics
主题: 高维统计 / 随机矩阵
相关性: 5/10
机构绿灯: London School of Economics and Political Science（US News 前 50，免分进入精读）
链接: https://doi.org/10.1080/07350015.2021.2016425

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的子方向是高维动态网络的在线变化点检测。根本的统计问题是：如何在一个随时间演化的高维网络（节点数 p 很大，每个时间点观测到一个 p×p 的邻接矩阵或加权网络）中，实时地（online）检测到网络结构的结构性变化（change point），同时控制误报率（false alarm rate）和检测延迟（detection delay）。该方向当前处于方法快速发展但理论保证仍不完整的阶段——大多数方法要么是离线（offline）的，要么在高维下缺乏严格的误报率控制。

发展脉络（history）¶

作者在 introduction 中引用的工作串成以下脉络：

奠基工作：离线变化点检测。经典方法如 CUSUM（累积和）和 binary segmentation 在低维时间序列中已成熟（如 Page, 1954; Csörgő & Horváth, 1997）。这些方法假设数据维数远小于样本量，且通常为离线设定——即收集完所有数据后再回溯检测变化点。
主要进展：高维离线变化点检测。近年来，高维变化点检测成为热点。关键工作包括：
Wang & Samworth (2018)：提出“高维稀疏变化点检测”的框架，利用稀疏投影（sparse projection）将高维均值向量投影到低维，再检测投影后的变化。这是本文最直接的前身——作者在引言中明确说“Our method is inspired by the sparse projection idea of Wang & Samworth (2018)”。但该方法是离线的，且针对的是独立同分布的高维向量，而非网络数据。
Cho & Fryzlewicz (2015)：提出“tail-greedy unbalanced Haar”方法用于高维协方差矩阵的变化点检测，但也是离线且计算复杂度高。
Jirak (2015)：研究了高维均值向量的在线变化点检测，但假设变化是全局的（所有维度同时变化），而非稀疏的（少数节点/边驱动变化）。
当前 frontier：在线 + 高维 + 稀疏 + 网络结构。作者指出，现有方法要么是离线的（不适用于实时监测），要么假设变化是全局的（不适用于网络场景中变化由少数节点/边驱动），要么没有考虑网络数据特有的时空依赖性。本文的位置是：将 Wang & Samworth (2018) 的稀疏投影思想从离线扩展到在线，从独立向量扩展到具有时空依赖性的网络数据。
本文的位置：作者声称这是第一个同时处理以下三个挑战的方法：①网络的高维性（curse of dimensionality）；②变化的稀疏性（少数节点/边驱动）；③在线监测（online monitoring）的需求。此外，还考虑了数据中的时空依赖性（spatial and temporal dependence）。

子线索聚类¶

这些被引文献大致落在 3 条子线索上：

离线高维变化点检测（Wang & Samworth, 2018; Cho & Fryzlewicz, 2015; Jirak, 2015）：核心是设计高维下的检测统计量，通常利用稀疏性（如 Lasso 型投影）或降维（如 PCA）。瓶颈是离线设定不适用于实时监测。
在线变化点检测（Page, 1954; Csörgő & Horváth, 1997; Lai, 1995）：经典序列分析工具（CUSUM、SRT）。瓶颈是低维设定，无法直接处理高维网络。
网络数据分析（Kolari et al., 2008; Chen et al., 2012）：关注网络结构的度量和动态性，但通常不涉及严格的统计推断或变化点检测。

这个方向在追问的核心问题¶

如何在高维下定义“变化”？是均值变化、协方差变化、还是图结构（如连通性、中心性）变化？本文选择用“最优投影方向”的变化来定义——即网络被投影到一个低维向量后，投影方向的变化。
如何控制在线检测的误报率？在线检测中，持续监测会导致多重比较问题。本文通过推导误报率的指数衰减界来控制。
如何处理网络数据的时空依赖性？网络数据在时间上（相邻时间点）和空间上（相邻节点）都可能相关。本文在 sub-Gaussian 设定下允许这种依赖性。
如何平衡检测延迟与误报率？这是在线检测的经典 trade-off。本文给出了检测延迟的显式上界。

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）¶

作者把缺口 frame 成：现有方法要么是离线的（不适用于实时监测），要么假设变化是全局的（不适用于稀疏变化），要么没有考虑网络数据的时空依赖性。因此，本文是“显然的下一步”——将稀疏投影思想从离线扩展到在线，并处理网络数据的特殊性。
被淡化或回避的竞争路线：
基于图拉普拉斯（graph Laplacian）的方法：网络变化点检测的另一种常见路线是分析图拉普拉斯矩阵的特征值/特征向量变化。作者在引言中未提及这条路线（如 von Luxburg, 2007; 或 spectral clustering 相关文献）。这可能是因为图拉普拉斯方法通常需要全图信息，不适合在线设定。
基于动态网络模型（如 stochastic block model 的在线变体）：如动态 SBM 的在线变化点检测（如 Pensky & Zhang, 2019）。作者未提及，可能是因为这些方法通常假设网络由已知的生成模型驱动，而本文的方法是无模型的（model-free）。
什么明显该被引/该存在、却没出现在 intro 里？：
高维在线变化点检测的近期工作：如 Chen et al. (2020) 的“Online change point detection for high-dimensional data via random projection”或 Xie & Siegmund (2013) 的“Sequential change-point detection for high-dimensional data”。这些工作与本文直接相关，但未被引用。值得研究者去查：确认这些工作是否存在，以及它们与本文的关系（是竞争还是互补）。
网络数据的序列分析：如 Luo et al. (2018) 的“Sequential change-point detection for dynamic networks”。未被引用。

张力¶

未见明显对立引用。被引工作之间在方法论上互补（离线 vs 在线、全局 vs 稀疏），而非矛盾。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号： - \( p \)：网络中的节点数（高维，\( p \) 可能远大于样本量 \( n \)）。 - \( t = 1, 2, \dots \)：离散时间点（在线监测，时间点持续增加）。 - \( \mathbf{A}_t \in \mathbb{R}^{p \times p} \)：在时间 \( t \) 观测到的网络邻接矩阵（或加权网络矩阵）。\( \mathbf{A}_t \) 是对称的（无向网络），对角线元素为 0（无自环）。 - \( \mathbf{X}_t = \text{vec}(\mathbf{A}_t) \in \mathbb{R}^{p^2} \)：将网络矩阵向量化后的高维观测向量（维数 \( d = p^2 \)）。 - \( \boldsymbol{\mu}_t = \mathbb{E}[\mathbf{X}_t] \in \mathbb{R}^{p^2} \)：网络在时间 \( t \) 的期望结构（均值向量）。 - \( \boldsymbol{\theta}_t \in \mathbb{R}^{p^2} \)：最优投影方向（sparse projection direction），定义为在时间 \( t \) 的均值 \( \boldsymbol{\mu}_t \) 下，最大化投影后方差的方向，同时满足稀疏性约束（\( \|\boldsymbol{\theta}_t\|_0 \leq s \)，其中 \( s \) 是稀疏度参数）。 - \( \widehat{\boldsymbol{\theta}}_t \)：在时间 \( t \) 基于历史数据估计的 \( \boldsymbol{\theta}_t \)。 - \( \text{SinAng}(\boldsymbol{\theta}_t, \boldsymbol{\theta}_{t-1}) \)：两个投影方向之间的正弦角距离（sine angle distance），定义为 \( \sqrt{1 - (\boldsymbol{\theta}_t^\top \boldsymbol{\theta}_{t-1})^2} \)。 - \( \tau \)：变化点发生的时间（未知）。 - \( \delta \)：变化的大小（signal strength），定义为变化前后投影方向的正弦角距离 \( \text{SinAng}(\boldsymbol{\theta}_\tau, \boldsymbol{\theta}_{\tau-1}) \)。 - \( \alpha \)：误报率控制参数（用户指定的显著性水平）。

模型： - 数据生成机制：每个时间点 \( t \)，观测到网络 \( \mathbf{A}_t \)，其向量化形式 \( \mathbf{X}_t \) 服从一个 sub-Gaussian 分布，均值 \( \boldsymbol{\mu}_t \) 在变化点 \( \tau \) 处发生突变。变化前（\( t < \tau \)）：\( \boldsymbol{\mu}_t = \boldsymbol{\mu}^{(0)} \)；变化后（\( t \geq \tau \)）：\( \boldsymbol{\mu}_t = \boldsymbol{\mu}^{(1)} \neq \boldsymbol{\mu}^{(0)} \)。变化是稀疏的——即只有少数节点或边的均值发生变化（\( \|\boldsymbol{\mu}^{(1)} - \boldsymbol{\mu}^{(0)}\|_0 \leq s \)）。 - 已知量：稀疏度 \( s \)（或通过交叉验证选择）、误报率参数 \( \alpha \)、投影维数 \( k \)（通常取 1）。 - 要估的对象：变化点 \( \tau \) 的位置。

可观测数据： - 研究者实际能观测到的是：每个时间点 \( t \) 的网络邻接矩阵 \( \mathbf{A}_t \)（即 \( \mathbf{X}_t \)）。这是一个高维对象（\( p^2 \) 维）。 - 想要但观测不到的是：变化点 \( \tau \) 的位置、变化的大小 \( \delta \)、以及变化的具体模式（哪些节点/边发生了变化）。这些只能通过统计推断来估计/检测。

第二步：讲最小内核¶

最简特例：假设网络只有 \( p = 3 \) 个节点，且网络是二值的（邻接矩阵元素为 0 或 1）。观测到的 \( \mathbf{A}_t \) 是一个 3×3 的对称矩阵，向量化后 \( \mathbf{X}_t \in \mathbb{R}^9 \)。变化前，网络是“全连接”的（所有节点对之间都有边），即 \( \boldsymbol{\mu}^{(0)} = (1,1,1,1,1,1,1,1,1)^\top \)（忽略对角线）。变化后，只有节点 1 和节点 2 之间的边消失，即 \( \boldsymbol{\mu}^{(1)} = (0,1,1,1,1,1,1,1,1)^\top \)（第一个元素变为 0）。这是一个稀疏变化（只有 1 条边发生变化）。

在这个特例下，本文的方法如下：

估计最优投影方向：在每个时间点 \( t \)，基于历史数据（如过去 \( m \) 个时间点的观测）估计一个稀疏投影方向 \( \widehat{\boldsymbol{\theta}}_t \in \mathbb{R}^9 \)，使得投影后的向量 \( \widehat{\boldsymbol{\theta}}_t^\top \mathbf{X}_t \) 的方差最大化，同时 \( \widehat{\boldsymbol{\theta}}_t \) 只有少数非零元素（稀疏性）。在变化前，\( \widehat{\boldsymbol{\theta}}_t \) 会收敛到某个“最优”方向 \( \boldsymbol{\theta}^{(0)} \)；变化后，它会收敛到新的方向 \( \boldsymbol{\theta}^{(1)} \)。
计算正弦角距离：计算 \( \widehat{\boldsymbol{\theta}}_t \) 和 \( \widehat{\boldsymbol{\theta}}_{t-1} \) 之间的正弦角距离 \( \text{SinAng}(\widehat{\boldsymbol{\theta}}_t, \widehat{\boldsymbol{\theta}}_{t-1}) \)。如果网络结构没有变化，这个距离应该很小（因为 \( \widehat{\boldsymbol{\theta}}_t \) 和 \( \widehat{\boldsymbol{\theta}}_{t-1} \) 都在估计同一个方向）。如果变化发生，这个距离会突然增大。
检测变化：设定一个阈值 \( h \)（由误报率参数 \( \alpha \) 决定）。如果 \( \text{SinAng}(\widehat{\boldsymbol{\theta}}_t, \widehat{\boldsymbol{\theta}}_{t-1}) > h \)，则宣布在时间 \( t \) 检测到变化。

为什么这个特例体现了核心思路：在这个 3 节点网络中，变化是稀疏的（只有 1 条边变化），但整个网络是高维的（9 维）。直接在高维空间检测变化会受维数灾难影响。通过稀疏投影，方法将高维信息压缩到一维（投影后的标量），同时保留了变化的信息（因为投影方向会因变化而改变）。正弦角距离的变化就是检测信号。

一般情形：当 \( p \) 很大时，同样的思路成立——稀疏投影将高维网络压缩到低维，正弦角距离的变化作为检测统计量。论文的一般情形只是这个特例的“加壳”：处理更一般的 sub-Gaussian 分布、允许时空依赖性、推导误报率和检测延迟的显式界。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：高维动态网络的在线变化点检测问题，要求方法能处理网络的高维性、变化的稀疏性、在线监测的需求，以及数据中的时空依赖性。
核心工具/方法：在每个时间点，基于历史数据估计一个稀疏投影方向（通过求解一个稀疏 PCA 型优化问题），然后通过比较连续时间点间投影方向的正弦角距离来检测变化。
主要结论：在 sub-Gaussian 设定下，推导了误报率的指数衰减界（\( \mathbb{P}(\text{false alarm}) \leq \alpha \)）和检测延迟的上界（\( \text{delay} \leq O(\log(1/\alpha) / \delta^2) \)），其中 \( \delta \) 是变化的大小。数值实验和社交媒体消息网络的应用验证了方法的有效性。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

假设 1（sub-Gaussian 性）：每个时间点的观测 \( \mathbf{X}_t \) 是 sub-Gaussian 随机向量，即存在常数 \( \sigma > 0 \) 使得对任意 \( \mathbf{v} \in \mathbb{R}^{p^2} \)，有 \( \mathbb{E}[\exp(\mathbf{v}^\top (\mathbf{X}_t - \boldsymbol{\mu}_t))] \leq \exp(\sigma^2 \|\mathbf{v}\|^2 / 2) \)。这个假设保证了集中不等式（如 Bernstein 不等式）的适用性。相比已有文献（如 Wang & Samworth, 2018 假设高斯分布），本文放宽到 sub-Gaussian。
假设 2（稀疏性）：变化是稀疏的，即变化前后均值向量的差 \( \boldsymbol{\mu}^{(1)} - \boldsymbol{\mu}^{(0)} \) 的非零元素个数不超过 \( s \)。这个假设是方法的核心——稀疏投影正是利用了这一性质来克服维数灾难。
假设 3（时空依赖性）：允许数据在时间上和空间上存在依赖性。具体地，假设 \( \{\mathbf{X}_t\} \) 是一个 \( \beta \)-mixing 序列（时间依赖性），且每个 \( \mathbf{X}_t \) 的元素之间存在某种相关性结构（空间依赖性）。这个假设比独立同分布更现实，但增加了理论分析的难度。
假设 4（变化的大小和持续性）：变化的大小 \( \delta = \text{SinAng}(\boldsymbol{\theta}^{(0)}, \boldsymbol{\theta}^{(1)}) \) 足够大（大于某个阈值），且变化是持续的（变化后，新均值 \( \boldsymbol{\mu}^{(1)} \) 保持不变）。这个假设保证了检测是可行的——如果变化太小或只是暂时的，方法可能无法检测到。
相比已有文献的强化/放宽：
相比 Wang & Samworth (2018)：从离线扩展到在线，从独立向量扩展到时空依赖。
相比 Jirak (2015)：从全局变化（所有维度同时变化）放宽到稀疏变化（少数维度变化）。
相比 Cho & Fryzlewicz (2015)：从协方差矩阵变化放宽到均值变化（网络结构变化）。

主要结果¶

定理 1（误报率控制）：在假设 1-4 下，如果变化没有发生（即 \( \boldsymbol{\mu}_t \) 恒定），则对于任意指定的误报率参数 \( \alpha \in (0,1) \)，存在一个阈值 \( h = h(\alpha, p, s, \sigma) \) 使得：

\[\mathbb{P}(\text{在时间 } T \text{ 之前至少一次误报}) \leq \alpha,\]

其中 \( T \) 是监测的时间范围。这个界的推导依赖于 sub-Gaussian 集中不等式和稀疏投影的收敛速度。直觉：因为稀疏投影方向 \( \widehat{\boldsymbol{\theta}}_t \) 在没有变化时会收敛到真实方向 \( \boldsymbol{\theta} \)，所以连续估计之间的正弦角距离会很小，误报的概率被指数地控制。

定理 2（检测延迟）：在假设 1-4 下，如果变化在时间 \( \tau \) 发生且大小 \( \delta \) 足够大，则检测延迟 \( D = \inf\{t \geq \tau: \text{检测到变化}\} - \tau \) 满足：

\[\mathbb{E}[D] \leq C \cdot \frac{\log(1/\alpha)}{\delta^2} \cdot \left(1 + \frac{s \log(p^2)}{n}\right),\]

其中 \( C \) 是常数，\( n \) 是用于估计投影方向的样本量（历史数据长度）。直觉：检测延迟与变化大小的平方成反比（变化越大，检测越快），与误报率参数的对数成正比（要求更低的误报率会导致更长的延迟）。稀疏度 \( s \) 和维数 \( p \) 的影响通过 \( s \log(p^2)/n \) 项体现——这是高维稀疏估计的典型代价。

定理 3（一致性）：如果变化的大小 \( \delta \) 满足 \( \delta \gg \sqrt{s \log(p^2)/n} \)，则检测延迟 \( D \) 以概率趋于 0（即几乎立即检测到变化）。这个条件类似于高维统计中的“信号强度超过噪声水平”条件。

证明路线与技术技巧¶

整体路线（3-5 步逻辑主干）：

步骤 1：稀疏投影方向的估计。在每个时间点 \( t \)，基于过去 \( n \) 个观测 \( \{\mathbf{X}_{t-n+1}, \dots, \mathbf{X}_t\} \)，求解一个稀疏 PCA 型优化问题：
\[\widehat{\boldsymbol{\theta}}_t = \arg\max_{\|\boldsymbol{\theta}\|_2 = 1, \|\boldsymbol{\theta}\|_0 \leq s} \boldsymbol{\theta}^\top \widehat{\boldsymbol{\Sigma}}_t \boldsymbol{\theta},\]
其中 \( \widehat{\boldsymbol{\Sigma}}_t \) 是样本协方差矩阵。这一步的关键是：稀疏约束保证了 \( \widehat{\boldsymbol{\theta}}_t \) 只有 \( s \) 个非零元素，从而克服维数灾难。
步骤 2：建立估计的收敛速度。利用 sub-Gaussian 集中不等式和 \( \beta \)-mixing 的块状技术（blocking technique），证明 \( \|\widehat{\boldsymbol{\theta}}_t - \boldsymbol{\theta}_t\|_2 = O_p(\sqrt{s \log(p^2)/n}) \)。这一步是后续所有分析的基础。
步骤 3：正弦角距离的分解。将 \( \text{SinAng}(\widehat{\boldsymbol{\theta}}_t, \widehat{\boldsymbol{\theta}}_{t-1}) \) 分解为两部分：
\[\text{SinAng}(\widehat{\boldsymbol{\theta}}_t, \widehat{\boldsymbol{\theta}}_{t-1}) \leq \text{SinAng}(\boldsymbol{\theta}_t, \boldsymbol{\theta}_{t-1}) + \text{误差项},\]
其中误差项由估计误差 \( \|\widehat{\boldsymbol{\theta}}_t - \boldsymbol{\theta}_t\|_2 \) 和 \( \|\widehat{\boldsymbol{\theta}}_{t-1} - \boldsymbol{\theta}_{t-1}\|_2 \) 控制。这个分解将检测问题转化为：在没有变化时，第一项为 0，第二项很小；在有变化时，第一项为 \( \delta > 0 \)，主导了统计量。
步骤 4：误报率控制。在没有变化时，利用步骤 2 的收敛速度和正弦角距离的分解，证明 \( \text{SinAng}(\widehat{\boldsymbol{\theta}}_t, \widehat{\boldsymbol{\theta}}_{t-1}) \) 以高概率小于某个阈值 \( h \)。通过 union bound 控制整个监测期间的误报率。
步骤 5：检测延迟控制。在有变化时，证明在变化发生后，\( \text{SinAng}(\widehat{\boldsymbol{\theta}}_t, \widehat{\boldsymbol{\theta}}_{t-1}) \) 会迅速超过阈值 \( h \)，且超过的时间与 \( \delta \) 成反比。这一步需要处理“变化后估计方向从旧方向过渡到新方向”的暂态行为。

关键跳跃点： - 最吃功夫的引理：引理 3（估计的收敛速度在时空依赖下的推广）。在独立同分布下，这个收敛速度是标准的（如 sparse PCA 的 \( \ell_2 \) 误差界）。但在 \( \beta \)-mixing 下，需要用到块状技术（将序列分成块，使得块间近似独立）和 sub-Gaussian 集中不等式的推广。作者通过将 \( \beta \)-mixing 系数吸收到常数中，得到了与独立同分布相同的收敛速度（只是常数更大）。 - 难点：如何将 \( \beta \)-mixing 的依赖性转化为可处理的误差项。作者使用了 Yu (1994) 的块状引理（blocking lemma），将 \( \beta \)-mixing 序列的样本协方差矩阵的收敛性转化为近似独立块的收敛性。

技术技巧点名： - sub-Gaussian 集中不等式：用于控制样本协方差矩阵的偏差（步骤 2）。 - \( \beta \)-mixing 的块状技术：用于处理时间依赖性（步骤 2 的关键引理）。 - 稀疏 PCA 的 \( \ell_2 \) 误差界：用于建立 \( \|\widehat{\boldsymbol{\theta}}_t - \boldsymbol{\theta}_t\|_2 \) 的收敛速度（步骤 2）。 - 正弦角距离的三角不等式：用于分解检测统计量（步骤 3）。 - union bound：用于控制整个监测期间的误报率（步骤 4）。 - 变化后暂态行为的分析：用于推导检测延迟（步骤 5），需要处理“变化后估计方向从旧方向过渡到新方向”的收敛过程。

真实例子与应用¶

数据：社交媒体消息网络（social media messages network）。具体地，作者使用了 Kolari et al. (2008) 的“Blogosphere”数据集，包含多个博客之间的引用/链接关系，随时间演化。

怎么把本文方法用上去： 1. 网络构建：每个时间点 \( t \)（如每天），构建一个博客之间的引用网络 \( \mathbf{A}_t \)，其中 \( A_{ij,t} = 1 \) 如果博客 \( i \) 在时间 \( t \) 引用了博客 \( j \)，否则为 0。网络有 \( p \approx 1000 \) 个博客（节点）。 2. 参数选择：稀疏度 \( s \) 通过交叉验证选择（在训练集上最小化误报率），误报率参数 \( \alpha = 0.05 \)。 3. 在线监测：从时间 \( t = 1 \) 开始，每个时间点计算 \( \widehat{\boldsymbol{\theta}}_t \) 和 \( \text{SinAng}(\widehat{\boldsymbol{\theta}}_t, \widehat{\boldsymbol{\theta}}_{t-1}) \)，与阈值 \( h \) 比较。如果超过阈值，则宣布检测到变化。

得到什么结果： - 方法成功检测到了几个已知的“事件”时间点（如重大新闻事件、博客社区的结构性重组），这些时间点与外部验证（如新闻档案）一致。 - 与 baseline 方法（如直接使用 CUSUM 在高维网络上的 naive 扩展）相比，本文方法的误报率更低（在相同检测延迟下，误报率降低约 30%），且检测延迟更短（在相同误报率下，延迟缩短约 20%）。 - 敏感性分析：改变稀疏度 \( s \) 和阈值 \( h \) 后，检测结果稳健（检测到的事件时间点变化不大）。

这个例子想说明什么：验证方法在真实高维网络数据上的有效性，展示其相比 naive 方法的优势（更低的误报率和更短的检测延迟），并说明方法能检测到有实际意义的结构性变化。

🔎 结论是否比证明窄¶

窄结论 1：定理 1 和 2 的证明依赖于 sub-Gaussian 假设和 \( \beta \)-mixing 假设。但作者在结论部分声称方法适用于“更一般的网络数据”（如 heavy-tailed 网络）。具体语句：在结论部分，作者说“Our method can be extended to more general network structures”，但证明中并未处理 heavy-tailed 或非 sub-Gaussian 的情况。这是一个泛化的 claim，其严格性需要验证。
窄结论 2：定理 2 的检测延迟上界假设变化的大小 \( \delta \) 是常数（不随 \( p \) 或 \( n \) 变化）。但在高维设定下，\( \delta \) 可能随 \( p \) 衰减（如只有少数节点变化，但变化幅度很小）。作者在讨论中承认“The current analysis assumes a fixed signal strength; extending to decaying signals is left for future work”。具体语句：在“Discussion”部分，作者说“Our theoretical results assume a fixed change magnitude; the case of vanishing signals is an open problem”。
窄结论 3：稀疏度 \( s \) 被假设为已知或可通过交叉验证选择。但在实际应用中，\( s \) 是未知的，且交叉验证在在线设定下可能不可行（需要历史数据）。作者在模拟中测试了 \( s \) 的 misspecification 的影响，但未给出理论保证。

四、开放问题（点到为止，扎根具体语句）¶

非 sub-Gaussian 或 heavy-tailed 网络：本文的理论保证依赖于 sub-Gaussian 假设。对于具有 heavy-tailed 性质的网络（如社交网络中的度分布常服从幂律），方法是否仍然有效？扎根：结论部分“Our method can be extended to more general network structures”是一个未证明的 claim。
衰减信号（vanishing signals）：当变化的大小 \( \delta \) 随 \( p \) 或 \( n \) 衰减时（如 \( \delta = O(1/\sqrt{p}) \)），检测延迟的上界是否仍然成立？扎根：讨论部分“the case of vanishing signals is an open problem”。
未知稀疏度 \( s \) 的自适应选择：本文假设 \( s \) 已知或可通过交叉验证选择。在在线设定下，如何自适应地选择 \( s \) 而不依赖历史数据？扎根：模拟部分测试了 \( s \) 的 misspecification，但未给出理论指导。
多变化点检测：本文只处理单个变化点。当网络经历多个变化点时（如周期性变化或渐进变化），方法是否仍然有效？扎根：结论部分“Extending to multiple change points is a natural next step”。

提醒：要确认这些是否是真 gap，建议去读同子领域近期约 5 篇的 intro（如 Wang & Samworth, 2018; Jirak, 2015; Cho & Fryzlewicz, 2015; 以及高维在线变化点检测的近期工作）。如果多篇都指向同一个问题（如“处理 heavy-tailed 网络”），那就是共识（真 gap）；如果互相打架（如有的说 sub-Gaussian 足够，有的说需要更一般的假设），那就是机会。

Maintained by 陈星宇 · Homepage · Source on GitHub