Distributed Sequential Hypothesis Testing With Zero-Rate Compression
在本文中，我们考虑序贯测试在一个单一的传感器，一个单一的决策中心设置。在每个时刻$t$，传感器获得$k$样本$(k>0)$，并通过零速率无噪声链路向决策中心描述直到时间$t$的观察序列。决策中心向传感器发送一位反馈，请求更多样本进行压缩/测试或停止传输。在第一类错误概率不超过给定阈值$ε\in (0,1)$的约束下，当决策中心请求数的期望值小于$n$且趋于无穷大时，刻画了第二类错误概率的最优指数.有趣的是，最优指数与零速率通信约束下的固定长度假设检验的最优指数一致。
2021-09-17 cs.IT math.IT
Sequential Adversarial Hypothesis Testing
Tata Institute of Fundamental Research（塔塔基础研究所）；Arizona State University（亚利桑那州立大学）；Indian Institute of Technology Bombay（印度孟买理工学院）
该研究针对序贯设置下的对抗性二元假设检验问题，分析了对手选择分布生成观测值的场景，刻画可实现错误指数对集合闭包，并研究观测数量和错误概率受约束时的问题，指出序贯设置可提升检验渐近性能。
2025-11-13 cs.IT math.IT
Optimal Adaptive Strategies for Sequential Quantum Hypothesis Testing
我们考虑两个量子态之间的序贯假设检验，采用自适应和非自适应策略。在这种设置中，顺序地请求未知状态的样本，并且在每次测试之后做出是继续还是接受两个假设之一的决定。在样本数量有界的约束下，无论是在预期还是高概率，我们表现出自适应策略，最大限度地减少这两种类型的错误识别错误。也就是说，我们表明，这些错误呈指数下降（在停止时间）的衰减率由两个国家之间的测量相对熵。此外，如果我们允许对多个样本进行联合测量，则速率增加到相应的量子相对熵。我们还充分刻画了非自适应策略的可实现误差指数，并提供了数值证据表明，自适应测量是必要的，以实现我们的界限下，一些额外的假设。
2022-02-28 cs.IT math-ph math.IT
Sequential Testing for Sparse Recovery
本文研究了高维稀疏信号恢复的序贯方法。当与固定样本大小的程序相比时，在稀疏设置中，顺序方法可以导致可靠的信号支持恢复所需的样本数量的大幅减少。从一个下限开始，我们证明了任何坐标顺序抽样程序在高维极限下都失败，只要每维的平均测量数小于log s/D（P_0||其中s是稀疏性水平，D（P_0|| P_1）基本分布之间的Kullback-Leibler散度。一系列的序贯概率比检验（SPRT），需要完整的知识的基础分布，以实现这一界限。出于现实世界的实验和最近的工作，在自适应传感，我们介绍了一个简单的程序，称为序贯采样，可以实现时，基本的测试问题满足单调似然比假设。如果每个维度的平均测量数增长速度快于log s/ D（P_0），则顺序保持可保证精确的支持恢复||P_1），达到下界。为了比较，我们证明了任何非顺序过程都失败，只要测量次数以小于log n/D（P_1）的速率增长||P_0），其中n是问题的总维数。
2014-10-04 cs.IT math.IT
Randomized Sensor Selection in Sequential Hypothesis Testing
我们考虑的问题，传感器选择的时间最优检测的假设。我们考虑一组传感器将它们的观察结果发送到融合中心。融合中心只考虑一个随机选择的传感器的输出的时间，并执行一个顺序的假设检验。我们考虑的顺序测试，这是很容易实现的，渐近最优的，和计算的责任。对于三个不同的性能指标，我们表明，对于一组通用的传感器和二进制假设，融合中心需要考虑最多两个传感器。我们还表明，对于多个假设的情况下，最优策略需要最多尽可能多的传感器被观察到的潜在假设的数量。
2009-09-09 cs.IT math.IT
Classifier-Based Nonparametric Sequential Hypothesis Testing
University of Michigan（密歇根大学）
本文提出了一种基于分类器的非参数序列假设检验方法，通过离线数据集训练多类分类器，设计水平α的检验方法，并分析了检验停止时间的上界及分类器分离条件。
2026-03-20 cs.IT math.IT math.ST
Testing Optimality of Sequential Decision-Making
本文提供了一种统计方法来测试是否执行二元序贯假设检验的系统是最优的意义上最小化的平均决策时间，同时采取决策与给定的可靠性。所提出的方法需要的决策时间，决策结果和真实的假设的样本，但不需要的意见或决策系统的属性的统计知识。该方法是基于序贯概率比检验证明的决策时间分布的波动关系。这些关系遵循概率比的鞅性质，并在相当一般的条件下成立。我们用数值实验说明了这些测试，并讨论了潜在的应用。
2018-01-04 cond-mat.stat-mech cs.IT cs.NE
(Sequential) Joint Detection and Estimation: Classic Results and New Directions
Technische Universität Darmstadt（达姆施塔特工业大学）
本文概述联合检测与估计问题，介绍其经典方法、序贯框架下的相关方法，通过数值示例说明最优方法的优势，并探讨该领域的开放问题与未来方向。
2026-08-28 cs.IT eess.SP math.IT
Asymptotically Optimal Anomaly Detection via Sequential Testing
针对 K 个过程中每时刻仅能观测 M 个的异常序贯检测问题，提出低复杂度搜索策略，在可靠性约束下最小化总期望成本，并证明其渐近最优。
2014-09-21 cs.IT math.IT
Sequential Outlier Hypothesis Testing under Universality Constraints
本文在名义和异常分布未知的普适约束下，研究序贯离群假设检验，提出紧指数界与阈值检验，解决误分类等概率权衡，并推广至多离群情形。
2025-04-23 cs.IT math.IT
Asymptotic Nash Equilibrium for the $M$-ary Sequential Adversarial Hypothesis Testing Game
在本文中，我们考虑了一个新的$M$元序贯假设检验问题，其中对手存在并在决策者观察样本分布之前扰动样本分布。这个问题被公式化为决策者和对手之间的顺序对抗性假设检验游戏。这是一场零和博弈，也是一场战略博弈。我们假设对手在\emph{all}假设下是活跃的，并且知道观察到的样本的潜在分布。我们采用这个框架，因为从决策者的角度来看，这是最坏的情况。决策者的目标是最小化停止时间的期望，以确保测试尽可能有效;对手的目标是最大化停止时间。我们推导出一对策略，在此策略下，博弈的渐近纳什均衡得以实现。我们还考虑的情况下，对手是不知道的基本假设，因此被约束，以应用相同的策略，无论哪个假设是有效的。数值结果证实了我们的理论研究结果。
2022-06-20 cs.IT eess.SP math.IT
Decentralized sequential active hypothesis testing and the MAC feedback capacity
我们认为分散的顺序主动假设检验（DSAHT），其中两个传输代理，每个拥有一个私人的消息，积极帮助第三代理-和对方-学习的消息对在一个离散的无记忆多路访问信道（DM-MAC）的问题。第三代理（接收器）观察噪声信道输出，其也可经由无噪声反馈提供给发送代理。我们制定这个问题作为一个分散的动态团队，表明最优传输策略有一个时不变域，并通过一个动态程序的解决方案的特点。几种替代配方进行了讨论，涉及时间齐次成本函数和/或可变长度的代码，通过定点，贝尔曼型方程描述的解决方案。随后，我们与简化的DM-MAC的无噪声反馈容量的多字母容量表达式的问题。我们表明，限制注意DSAHT问题的最佳传输方案引起的分布，而不损失最优性，转换的容量表达式，使它可以被认为是一个适当定义的随机动力系统与时不变的状态空间收到的平均奖励。
2020-01-14 cs.IT math.IT
Active Sequential Hypothesis Testing with Non-Homogeneous Costs
针对非均匀动作成本下的主动序贯假设检验，本文提出优化期望信息增益与期望成本之比，并改进 Chernoff 方案，显著降低期望总成本。
2025-09-30 cs.IT math.IT
Policy Design for Active Sequential Hypothesis Testing using Deep Learning
USC Information Sciences Institute（美国南加州大学信息科学研究所）
本文研究了如何利用深度学习设计更有效的主动顺序假设检验策略，通过比较新提出的启发式方法与现有方法，展示了在某些场景下性能的显著提升。
2018-10-11 cs.AI cs.IT cs.LG
Covert Online Decision Making: From Sequential Hypothesis Testing to Stochastic Bandits
研究隐蔽在线决策问题，通过将系统建模为Markov核，分别表述为序贯假设检验和老虎机最佳臂识别问题，并刻画了识别错误概率随块长平方根呈指数衰减的规律。
2023-11-20 cs.IT math.IT
Exponentially Consistent Low Complexity Tests for Outlier Hypothesis Testing
School of Cyber Science and Technology, Beihang University（北京航空航天大学网络空间安全学院）；School of Automation and Intelligent Manufacturing, Southern University of Science and Technology（南方科技大学自动化与智能制造学院）
本文提出指数一致的低复杂度测试方法，用于在未知分布情况下提高异常假说检验的检测性能与计算复杂性的权衡。
2026-01-08 cs.IT math.IT
Tradeoffs among Action Taking Policies Matter in Active Sequential Multi-Hypothesis Testing: the Optimal Error Exponent Region
本文研究主动序贯多假设检验中，在预算约束下，M(M-1)种误差指数的最优权衡区域，并提出渐近最优测试以实现任意目标误差指数，首次揭示行动策略间的张力。
2025-07-10 cs.IT math.IT
Iterative Hypothesis Pruning and Distribution-based Early Labeling for Sequential Hypothesis Testing
The School of Electrical and Computer Engineering, Ben-Gurion University of the Negev（内盖夫本古里安大学电气与计算机工程学院）
提出三种自适应多轮消除算法（Φ、Φ-Δ、I）解决序贯假设检验问题，通过迭代采样和假设消除实现可控错误率与样本复杂度，并证明最优动作序列选择的NP难性。
2026-07-01 cs.IT math.IT
Quantum Sequential Universal Hypothesis Testing
针对复合量子假设检验中固定副本协议效率不足的问题，提出融合自适应局部测量与优化联合测量的 QSUT 框架，可严格控制 I 类错误并降低副本复杂度。
2025-08-29 cs.IT math.IT quant-ph
Sequential Multi-hypothesis Testing in Multi-armed Bandit Problems:An Approach for Asymptotic Optimality
我们考虑一个多假设检验问题，涉及一个K-臂强盗。每个臂的信号遵循来自向量指数族的分布。决策者不知道臂的实际参数。决策者在做出决策之前的延迟成本和从一个手臂切换到另一个手臂时的切换成本。他的目标是使总成本最小化，直到对真正的假设做出决定。感兴趣的是满足对错误检测概率的给定约束的策略。这是一个顺序决策问题，决策者在每个阶段只能看到有限的自然状态，但可以通过选择在每个阶段观察的手臂来控制他的观点。首先确定的总成本（预期时间为一个可靠的决定加上总切换成本）的信息理论下限，然后研究了广义似然比统计的基础上的顺序政策的变化。由于向量指数族假设，在每个阶段的信号处理是简单的，相关的共轭先验分布的未知模型参数，使后验分布的容易更新。建议的政策，与一个合适的阈值停止，满足给定的约束的错误检测的概率。在连续选择的假设下，该政策也被证明是渐近最优的总成本之间的所有政策，满足约束的错误检测的概率。
2020-07-28 cs.IT math.IT
On Cost-Aware Designs for Sequential Hypothesis Testing
The School of Electrical and Computer Engineering, Ben-Gurion University of the Negev, Israel（电气与计算机工程学院，内盖夫本·古里安大学）
本文研究了具有随机成本和行动取消的费用感知序列假设检验，分析了在不同成本揭示模型下截止时间对成本和误差权衡的影响，并探讨了如何通过引入有效成本来减少总成本。
2026-09-25 cs.IT cs.LG math.IT
The Query/Hit Model for Sequential Hypothesis Testing
National Yang Ming Chiao Tung University（国立阳明交通大学）
针对通信与隐私受限的流数据场景，本文提出Query/Hit序贯假设检验模型，刻画了误差指数，并设计了基于互信息神经估计的DSSA查询策略以高效选择查询，在合成与真实数据集上验证了其优于基线的检测性能。
2025-02-02 cs.IT cs.LG eess.SP
Multi-Stage Active Sequential Hypothesis Testing with Clustered Hypotheses
针对主动决策者以最少观测识别真实假设的问题，提出确定性自适应多阶段假设消除策略，利用分布间距离选择动作并聚类相近分布，实现渐近最优且显著减少观测次数。
2025-04-28 cs.IT math.IT
Human-AI-Powered Hypothesis Testing: Cost-Aware Selective AI Scoring and Sequential Human Escalation
University of Michigan（密歇根大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
本研究提出SCALE策略，结合选择性AI评分与序贯人工升级，在控制统计检验错误的同时最小化成本，并通过信息论下界验证其最优性。
2026-09-25 cs.AI cs.IT math.IT
Sequential Experiment Design for Hypothesis Verification
University of Southern California（南加州大学）
假设检验在靶点定位、临床试验等方面具有重要的应用价值。许多活跃的假设检验策略分为两个阶段：探索阶段和验证阶段。在探索阶段，实验的选择是这样的，即对真实假设的置信度达到中等水平。随后的实验设计旨在将该假设的置信水平提高到期望水平。在本文中，重点是验证阶段。定义了一个置信度测度，并将主动假设检验问题转化为一个无限时域平均报酬部分可观测马尔可夫决策过程（POMDP）环境下的置信度最大化问题.最大化以特定假设为条件的置信度的问题被称为假设验证问题。建立了假设检验与验证问题之间的关系。验证问题可以用马尔可夫决策过程（MDP）来表示。验证MDP的最优解的特点和一个简单的启发式自适应策略的验证提出了基于零和博弈解释的库尔贝克-莱布勒散度。通过数值实验证明，与文献中现有的方法相比，该启发式算法在某些情况下表现得更好。
2018-12-04 cs.IT cs.LG math.IT
