无超参数条件共形鞅检测未知时刻分布偏移

基于摘要分析。本文研究序列数据中发生时刻未知的分布偏移检测，重点解决检测器经历长期平稳期后对变化适应缓慢的问题。作者提出无超参数的条件共形检验鞅方法，以重启通用投资组合及随时间分配财富的重尾机制实现快速适应，并提供误报控制与检测延迟的理论保证。 核心机制是使用固定参考数据集构建条件共形检验鞅，避免测试时样本污染参考数据；再将带惩罚的下注问题转化为三资产市场中的投资组合选择。摘要将既有方法的适应迟缓与在线优化中的平滑、截断及其他超参数联系起来，新方法则通过重启通用投资组合处理未知偏移时刻。具体下注函数、重启规则和财富分配公式尚未验证。 作者报告，该方法具有任意时刻误报控制，并在可检测备择条件下获得最优的有限样本检测延迟界；这些保证所依赖的分布条件、可检测性定义及最优性比较范围需核对全文。对于 T 轮投资组合序列计算，作者给出的 FFT 实现时间复杂度为 O(T² ln T)，朴素实现为 O(T³)。作者报告，合成与真实数据实验表明，该方法在长期原假设样本之后仍能快速适应，检测延迟对偏移发生时刻的依赖显著弱于既有基线。摘要未提供具体数据集、基线名称、实验数值或误报水平，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能适用于 EEG 在线监测中长时间稳定运行后出现的信号分布变化，但原论文研究的是通用序列分布偏移检测，并非 BCI 解码。迁移假设依赖于能够用固定参考数据构造满足理论条件的条件共形检验量；可复用的是下注、重启与财富分配机制，需改造的是 EEG 特征、参考集及校准流程。低信噪比、时间相关性、通道变化和跨被试差异可能削弱检验有效性或导致非任务相关告警，小参考集也可能限制可检测性。可先在具有稳定段和预设偏移时刻的 EEG 序列上，在相同参考集与误报水平下比较不同稳定段长度对应的检测延迟，并核对经验误报率。已有 EEG 相关工作尚未检索确认。