Asymptotic Bayes-optimality under sparsity of some multiple testing procedures
在贝叶斯决策理论的框架内，我们研究了一个大类的多个测试规则的渐近最优性性质。一个参数设置被认为是，其中的观察来自一个正常的规模混合模型和总损失被假定为单个测试的损失之和。我们的模型可用于测试点零假设，以及区分大信号从众多非常小的影响。如果在我们选择的渐近框架内，规则的贝叶斯风险和贝叶斯预言（最小化贝叶斯风险的规则）的比率收敛于1，则规则被定义为稀疏下渐近贝叶斯最优（ABOS）。我们的主要兴趣是在渐近计划中的比例p的“真”的替代品收敛到零。我们充分刻画类固定阈值多重测试规则，这是ABOS，从而推导出控制贝叶斯错误发现率（BFDR）的规则的渐近最优性的条件。最后，我们提供的条件下，流行的Benjamini-Hochberg（BH）和Bonferroni程序是ABOS，并表明，对于广泛的一类稀疏水平，前者的阈值可以近似为一个非随机阈值。
2012-11-21 math.ST stat.TH
Optimality of Graph Scanning Statistic for Online Community Detection
图的序列变点检测是流网络数据类型的基本问题，在社交网络和电力系统中有着广泛的应用。给定固定顶点和随机图序列，目标是检测随机图的潜在分布变化的变点。特别是，我们专注于局部变化，只影响一个子图。我们采用经典的Erdos-Renyi模型，并重温广义似然比（GLR）检测过程。扫描统计是通过顺序估计最可能发生变化的子图来计算的。我们提供了理论分析的渐进最优性的基础上GLR框架的建议程序。我们证明了我们的检测算法的效率，使用模拟。
2021-02-11 math.ST stat.TH
Sequential Analysis in High Dimensional Multiple Testing and Sparse Recovery
本文从序贯分析的角度研究了高维多重检验和稀疏恢复问题。在这种情况下，错误的概率是问题维度的函数。提出了一种简单的序贯测试方法。我们推导出在非序贯设置的可靠恢复的必要条件，并将它们与可靠恢复的充分条件使用建议的序贯测试程序。几个常见的模型的主要结果的应用程序表明，序贯测试可以指数更敏感的零和替代分布之间的差异（在尺寸的依赖），这意味着微妙的情况下，可以更可靠地确定使用序贯方法。
2011-06-03 cs.IT math.IT math.ST
Asymptotic Bayes Optimality Under Sparsity of the Gavrilov-Benjamini-Sarkar Step-Down Testing Procedure
Texas A&M University（德克萨斯农工大学）；Indian Statistical Institute（印度统计研究所）
研究加夫里洛夫 - 本雅明尼 - 萨卡尔（GBS）逐步多重检验程序在稀疏高斯序列模型中的渐近贝叶斯最优性，通过直接分析贝叶斯风险，结合新不等式和信号交叉论证得出其最优性。
2026-10-27 math.ST stat.TH
On Optimality of Stepdown and Stepup Multiple Test Procedures
考虑检验k个零假设的多重检验问题，其中假设未知分布族满足一定的单调性假设。注意力被限制在强意义上的控制的familywise差错率，并满足单调性条件的程序。在这些假设下，我们证明了一些著名的降压和升压程序的最大最优结果。
2005-07-21 math.ST stat.TH
Asymptotically Optimal Sequential Multiple Testing Procedures for Correlated Normal
本研究针对现有多重检验未覆盖相关数据流序贯框架的空白，在等相关高斯序贯均值检验场景下提出序贯检验程序，证明其在错误概率趋近于0时渐近达到最优期望样本量，且调整临界值后对多种多重检验错误度量均具渐近最优性。
2025-03-20 math.ST stat.ME stat.TH
Beyond First-order Asymptotics in Sequential Mean Testing
National University of Singapore（新加坡国立大学）；Indian Institute of Science, Bengaluru（印度科学研究所）
研究在水平α的势为一框架下，基于KL_inf统计量的序列检验的停止时间的中心极限定理，给出渐近最优检验的二阶刻画。
2026-08-11 math.ST stat.ME stat.TH
Asymptotic theory of sequential detection and identification in the hidden Markov models
我们考虑一个统一的框架，顺序变点检测和假设检验建模的隐马尔可夫链。人们观察到一个随机变量序列，其分布是隐马尔可夫链的泛函。目标是快速检测出隐马尔可夫链离开某一组状态的事件，并准确地识别出它被吸收到哪一类状态中。我们提出了计算上易于处理的顺序检测和识别策略，并获得了两个贝叶斯公式的渐近最优性的充分条件。数值例子证实了渐近最优性和检查的收敛速率。
2013-12-11 math.OC math.ST stat.TH
Multi-Armed Sequential Hypothesis Testing by Betting
University of California Berkeley（加州大学伯克利分校）；École Normale Supérieure & Inria Paris（法国国家科学研究中心巴黎分校 & 巴黎研究所）
本文研究了通过赌注进行多臂顺序检验的问题，提出了一种在多个数据源（臂）中选择以获取数据的统计学家的变体，旨在拒绝全局空假设P（所有臂在某种意义上无效）并支持复合替代假设Q（至少有一个臂非空）。通过推广对数最优性和期望拒绝时间最优性的概念，得到了匹配的上下界，并提出了一个修改的上置信界算法来处理不可观测但足够可估计的奖励。
2026-06-04 cs.LG math.ST stat.ME
The sequential rejection principle of familywise error control
封闭测试和划分被认为是族级差错控制的基本原则。在本文中，我们认为，顺序拒绝可以被视为同样基本的多重测试的一般原则。我们提出了一个一般的顺序拒绝多重测试程序，并表明，许多著名的familywise错误控制方法可以构造为这个程序的特殊情况下，其中的Holm，Shaffer和Hochberg的程序，并行和串行看门程序，现代程序的多重测试图，重采样为基础的多重测试程序，甚至封闭的测试和分区程序本身。我们还给出了一个一般的证明，顺序拒绝多重测试程序强烈控制familywise错误，如果他们满足简单的标准的单调性的临界值和有限形式的弱familywise差错控制在每一个单一的步骤。序贯拒绝原则为许多著名的多重检验程序提供了一个新的理论视角，强调了序贯方面。它的主要实际用途是为零假设开发多个测试程序，可能在逻辑上相关，结构化在一个图中。我们说明了这一点，提出了一个统一的改进，最近公布的程序。
2012-11-14 math.ST stat.TH
Testing Quantile Forecast Optimality
本文提出基于矩等式框架的多期限分位数回归检验，评估分位数预测的自校准最优性，并扩展至更大信息集，模拟与实证揭示次优性成因。
2023-10-12 econ.EM stat.ME
Unstructured sequential testing in sensor networks
我们认为，在传感器网络中快速检测信号的传感器的子集时，其中可能存在的信号是完全未知的问题。我们制定这个问题作为一个序列的假设检验问题，一个简单的空（信号是无处不在）和一个复合替代（信号是存在的地方）。我们引入了一类新的可扩展的序贯检验，对于任何子集的受影响的传感器，最小化预期的样本量的决定渐近，即作为错误概率为0。此外，我们提出了序贯检验，需要最小的传输活动从传感器到融合中心，同时保持这种渐近最优属性。
2013-11-11 math.ST stat.TH
A Linear Programming Approach to Sequential Hypothesis Testing
在一些温和的马尔可夫假设下，证明了两个简单假设下的最优序贯检验设计问题可以用线性规划表示。该结果是通过研究序贯检验问题的拉格朗日对偶得到的，序贯检验问题是一个无约束的最优停止问题，依赖于两个未知的拉格朗日乘子。结果表明，最优费用函数对这些乘子的导数与相应的序贯检验的误差概率一致。这个属性被用来制定一个最优化问题，这是联合线性的费用函数和拉格朗日乘子，并解决这两个现成的算法。为了说明这一过程，我们推导了具有不同相依结构的高斯随机序列的最优序贯检验，包括高斯AR（1）过程。
2015-02-23 math.ST stat.TH
Sequential Multiple Testing
我们研究了一个在线的多重测试问题，假设顺序到达流。检验统计量是独立的，并假设在各自的零假设下具有相同的分布。我们研究了由（Javanmard和Montanari，2015）提出的两个程序LORD和LOND，它们被证明可以在线控制FDR。在某些（静态）模型中，我们证明了LORD在某种渐近意义上是最优的，特别是在第一渐近阶上与（静态）Benjamini-Hochberg过程一样强大。我们还量化了LOND的性能。一些数值实验补充了我们的理论。
2017-05-25 math.ST stat.TH
Asymptotically optimal, sequential, multiple testing procedures with prior information on the number of signals
假设数据是从独立的数据流中顺序收集的，我们考虑了在两个一般设置下多个二元假设的同时检验;当信号的数量（正确的选择）是事先已知的，当我们只有一个下限和一个上界。在这些设置中，我们提出了可行的程序，控制，没有任何分布假设，类型I和类型II的族错误概率低于给定的用户指定的水平。然后，在i.i.d.的情况下，观察在每个流中，我们表明，所提出的程序实现最佳的预期样本量，在每一个可能的信号配置，渐近的两个错误概率消失在任意速率。一个模拟研究是在一个完全对称的情况下，并支持从我们的渐近结果，如事实上，知识的确切数量的信号大约一半的预期数量的观察相比，没有先验信息的情况下获得的见解。
2016-07-20 math.ST stat.ME stat.TH
Always Valid Inference: Bringing Sequential Analysis to A/B Testing
A/B检验通常通过频率论的p值和置信区间进行分析;但是如果用户通过 * 持续监控 * 他们的检验来内生地选择样本量，那么这些推断是完全不可靠的。我们定义了 * 始终有效 * 的p值和置信区间，让用户能够尽快利用数据，在做出决策时提供有效的统计推断。总是有效的推理可以被解释为一个自然的接口的顺序假设检验，它使用户能够实现一个修改后的测试为他们量身定制。特别是，我们在适当的意义上表明，我们开发的措施权衡样本量和功率效率，尽管缺乏用户的相对偏好这两个目标之间的先验知识。我们还使用始终有效的p值，以获得多个假设检验控制在顺序的上下文中。我们的方法已经在一个大规模的商业A/B测试平台上实现，分析了数十万个实验。
2019-07-16 math.ST stat.AP stat.ME
Bayesian Multiple Testing Under Sparsity for Polynomial-Tailed Distributions
本文研究了稀疏条件下多项式尾分布满足单调似然比性质的贝叶斯多重检验问题。这类分布包括学生t分布、帕累托分布和许多其他分布。我们证明了固定和随机阈值下的一些一般的渐近最优性结果。作为这些一般性结果的例子，我们建立了贝叶斯渐近最优的几个多个测试程序在文献中适当选择的错误发现率水平。我们还通过模拟表明，Benjamini-Hochberg过程的错误发现率水平与渐近最优的不同，可以导致高贝叶斯风险。
2016-07-28 math.ST stat.TH
Sequential Selection Procedures and False Discovery Rate Control
我们考虑一个多假设检验设置的假设是有序的，只允许拒绝一个初始的连续块，H_1，\dots，H_k，假设。在此设置中的拒绝规则相当于用于选择停止点k的过程。这种设置受到许多模型选择问题的顺序性质的启发，其中选择停止点或模型相当于拒绝所有假设，直到该点，之后没有。我们提出了两个新的测试程序，并证明了他们控制的错误发现率在有序测试设置。我们还展示了如何使用最近的结果在连续模型选择设置的p值的方法可以应用到模型选择。
2015-03-23 math.ST stat.ME stat.TH
Sequential Nonparametric Testing with the Law of the Iterated Logarithm
University of California, San Diego（加州大学圣地亚哥分校）；University of California, Berkeley（加州大学伯克利分校）
我们提出了一个新的算法框架，顺序假设检验与i.i.d.数据，其中包括A/B检验，非参数两样本检验，独立性检验作为特例。它在几个方面是新颖的：（a）它需要线性时间和恒定的空间来计算，（b）它具有与非顺序版本的测试相同的功率保证，具有相同的计算约束，直到一个小的因子，（c）它只访问所需的样本-它的停止时间适应未知的问题难度。所有的检验统计量都是在原假设下的零均值鞅，并且拒绝阈值由一致的非渐近重对数律（LIL）决定。对于非参数两样本均值检验的情形，我们也给出了有限样本的功效分析，以及这类问题的第一非渐近停时的计算。我们验证了我们的预测I型和II型错误和停止时间使用模拟。
2016-03-02 cs.LG math.ST stat.ME
Minimax optimality for sequential gradient-free minimization of smooth functions and their derivatives
ENSAE, CREST（法国国立经济统计行政学院，中央研究经济学研究所）；Univ Rennes, Ensai, CNRS, CREST—UMR 9194（雷恩大学，ENSAI，法国国家科学研究中心，中央研究经济学研究所）
针对β-Hölder函数及其导数的带噪无梯度最小化，提出非渐近极小极大速率，证明局部多项式估计量速率最优，并给出多项式时间算法匹配下界。
2026-09-17 math.ST stat.TH
Sequential Multiple Testing: A Second-Order Asymptotic Analysis
Department of Mathematics and Statistics, Queen’s University（女王大学数学与统计系）
本文提出二阶渐近最优理论，证明了多个已知第一阶最优的顺序多重检验程序在二阶条件下同样最优，并推导了最小样本量的二阶修正项。
2026-03-05 math.ST stat.TH
Conformal Prediction Through the Lens of Hypothesis Testing: Universality, Impossibility, and Optimality
University of California, Berkeley（加州大学伯克利分校）；University of Chicago（芝加哥大学）；Stanford University（斯坦福大学）
本文从可交换性原假设的置换检验视角阐释共形预测，借助经典假设检验理论重现共形预测的普适性与不可能性结果，并推导得出最优共形预测器的形式。
2026-09-24 math.ST stat.TH
Sequential multiple hypothesis testing in presence of control variables
假设在统计实验的任何阶段，可以使用控制变量$X$，该控制变量影响在该阶段观察到的数据$Y$的分布。$Y$的分布取决于一些未知的参数$θ$，我们考虑的问题，测试多个假设$H_1: θ=θ_1$，$H_2: θ=θ_2, ...$，$H_k: θ=θ_k$允许数据被控制的$X$，在以下顺序的上下文中。实验开始时，将值$X_1$分配给控制变量，并观察$Y_1$作为响应。在一些分析之后，选择控制变量的另一个值$X_2$，并且观察作为响应的$Y_2$，等等。假设实验最终停止，并且在那一刻，将采取有利于假设之一的最终决定$H_1,...$，$H_k$。在这篇文章中，我们的目的是表征结构的最佳序贯测试程序的基础上，从这种类型的实验中获得的数据的情况下，当观察$Y_1, Y_2,..., Y_n$是独立的，控制$X_1,X_2,..., X_n$，$n=1,2,...$。
2008-12-15 math.PR math.ST stat.ME
Change, dependence, and discovery: Celebrating the work of T.L. Lai
本文回顾Tze Leung Lai在序贯分析中的开创性工作，涵盖序贯假设检验、变点检测及非线性更新理论，并总结其最优性结果与生物统计应用。
2025-10-26 math.ST stat.OT stat.TH
Adjusted inference for multiple testing procedure in group sequential designs
针对成组序贯设计中同时调整多重假设检验与多次分析的研究空白，提出调整序贯p值及交集假设序贯p值，通过加权Bonferroni和加权参数检验控制族系I类错误率进行推断。
2023-11-27 stat.ME
A Rejection Principle for Sequential Tests of Multiple Hypotheses Controlling Familywise Error Rates
我们提出了一个统一的方法，顺序（或流）数据的多重检验程序，通过给一个顺序的多重检验程序，以控制familywise错误率（FWER）的充分条件，扩展到顺序域的工作Goeman和Solari（2010年）谁完成了这一固定样本量程序。我们把这些条件统称为“序贯试验的拒绝原则”，然后将其应用于一些现有的序贯多重检验程序，以简化对FWER控制的理解。其次，应用该原理推导出两个新的具有可证明FWER控制的序贯多重检验程序，一个用于按序检验假设，另一个用于封闭检验假设。这些新的程序的例子是通过将它们应用到染色体畸变数据集，并找到最大的安全剂量的治疗。
2015-02-24 stat.AP stat.ME
Private Sequential Hypothesis Testing for Statisticians: Privacy, Error Rates, and Sample Size
Harvard John A. Paulson School Of Engineering And Applied Sciences（哈佛大学约翰·A·保尔森工程与应用科学学院）；Georgia Institute of Technology（佐治亚理工学院）；H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（佐治亚理工学院H·米尔顿·斯图尔特工业与系统工程学院）；Department of Industrial Engineering and Operations Research, Columbia University（哥伦比亚大学工业工程与运筹学系）
序贯假设检验问题是一类样本量事先不确定的统计分析问题。相反，决策过程顺序地接受新的观察结果，以做出实时决策，用于针对原假设测试备择假设，直到满足某个停止标准。在序贯假设检验的许多常见应用中，数据可能具有高度敏感性，可能需要隐私保护;例如，序贯假设检验用于临床试验，医生按顺序收集患者的数据，必须确定何时停止招募患者以及治疗是否有效。差分隐私领域已经发展为提供具有强隐私保证的数据分析工具，并且已经普遍应用于机器学习和统计任务。在这项工作中，我们研究了顺序假设检验问题下的一个轻微的变化的差分隐私，被称为Renyi差分隐私。我们提出了一个新的私有算法的基础上沃尔德的序贯概率比测试（SPRT），也给出了强有力的理论隐私保证。我们提供了理论分析的统计性能衡量的I型和第二类错误，以及预期的样本量。我们还在几个合成数据库上实证验证了我们的理论结果，表明我们的算法在实践中也表现良好。与以往的工作，私人假设检验，只集中在经典的固定样本设置，我们的结果在顺序设置允许的结论，以达到更早，从而节省了收集额外的样本的成本。
2022-04-10 cs.LG math.ST stat.ML
A Structural Separation Between Chernoff and Convex-Order Optimality in Robust Testing
University Medical Center of the Johannes Gutenberg University Mainz（约翰内斯·古腾堡大学美因茨大学医学中心）；Center for Thrombosis and Hemostasis, University Medical Center Johannes Gutenberg University Mainz（约翰内斯·古腾堡大学美因茨大学医学中心血栓与止血中心）；German Center for Cardiovascular Research (DZHK), Partner Site Rhine Main, University Medical Center of the Johannes Gutenberg University Mainz（德国心血管研究中心（DZHK），莱茵美因合作点，约翰内斯·古腾堡大学美因茨大学医学中心）
本文揭示在鲁棒假设检验中，最不利分布同时最大化所有Chernoff u-亲和性并最小化所有f-散度的等价性在一般情形下失效，通过构造三点概率空间上的反例证明该分离，并给出等价成立的充分条件。
2026-06-09 math.ST stat.TH
Communication-constrained hypothesis testing: Optimality, robustness, and reverse data processing inequalities
IBM Research（IBM研究院）；University of Cambridge（剑桥大学）
本文研究通信约束下的假设检验，证明二元情形样本复杂度仅增加一个紧的对数因子并给出多项式时间算法，同时扩展到鲁棒检验并揭示 M 元情形的 Ω(M) 下界。
2023-12-15 cs.DS cs.IT cs.LG
Online Inference of Constrained Optimization: Primal-Dual Optimality and Sequential Quadratic Programming
本文提出了一种全新的在线序列二次规划方法，用于解决具有等式和不等式约束的随机优化问题，实现了对偶渐近最小最大最优性，无需投影运算。
2025-11-27 cs.LG math.OC math.ST
Model-X Sequential Testing for Conditional Independence via Testing by Betting
提出了一种无模型条件独立序贯检验方法。这项被提议的测试允许研究人员分析一个输入的i.i.d.。数据流与任何任意依赖结构，并安全地得出结论，是否有条件的功能与研究中的响应相关联。我们允许在数据点到达后立即在线处理数据点，并在检测到重要结果后停止数据采集，严格控制第一类错误率。我们的测试可以与任何复杂的机器学习算法一起工作，以尽可能提高数据效率。所开发的方法的灵感来自两个统计框架。第一种是X模型条件随机化检验，这是一种条件独立性检验，在样本量预先固定的离线设置中有效。第二种是通过打赌进行测试，这是一种用于连续假设检验的“博弈论”方法。我们进行合成实验，以证明我们的测试的优势，开箱即用的顺序测试，占在时间范围内的测试的多样性，并证明我们的建议的实用性，将其应用到现实世界的任务。
2023-02-19 stat.ME stat.ML
Sequentiality and Adaptivity Gains in Active Hypothesis Testing
考虑一个决策者，他负责收集观察结果，以便以快速的方式增强他对感兴趣的潜在现象的信息。决策者选择感测动作的策略可以基于以下两个因素进行分类：i）顺序与非顺序; ii）自适应与非自适应。非序贯策略收集固定数量的观测样本，然后做出最终决策;而在序贯策略下，样本大小最初是未知的，由观测结果决定。在自适应策略下，决策者依赖于先前收集的样本来选择下一个感知动作;而在非自适应策略下，动作的选择与过去的观测结果无关。在本文中，性能界限提供的政策在每一类。使用这些界限，序列性增益和自适应性增益，即，表征了动作的顺序和自适应选择的增益。
2012-11-10 cs.IT math.IT math.ST
Sequential Joint Detection and Estimation
我们考虑的问题，同时检测和估计下的顺序框架。特别是，我们感兴趣的序贯检验，区分零和备择假设，每次决定是有利于替代，他们提供了一个随机参数的估计。正如我们的分析所证明的那样，用相应的最优策略分别处理这两个子问题并不会产生最佳性能。为了享受最优性，需要在假设检验阶段考虑最优估计量。
2013-09-22 math.ST stat.TH
Weighted Asymptotically Optimal Sequential Testing
University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出加权渐近最优顺序检验方法，通过加权对数似然比实现对家庭错误率的有效控制，并证明其在高维和随机权重情况下具有渐近最优性。
2026-02-23 stat.ME
Asymptotically Optimal Sequential Multiple Testing with Asynchronous Decisions
针对独立序贯数据流的异步多重检验问题，提出一种在任意信号数先验界和弱分布假设下渐近最小化各数据流期望决策时间的新程序，并量化同步/去中心化限制的代价。
2023-04-19 stat.ME
Sequential Kernelized Independence Testing
Carnegie Mellon University（卡内基梅隆大学）；Amazon Web Services（亚马逊网络服务）
针对批量独立性检验难以适配流式数据、数据窥探后需多重检验校正导致功效低的问题，基于博弈式检验原则设计了序贯核化独立性检验，适配非独立同分布与时变场景，在模拟与真实数据上均验证了其功效。
2025-05-20 cs.LG math.ST stat.ME
Optimal Error Exponents for Composite Sequential Quantum Hypothesis Testing
School of Computer Science, University of Birmingham（伯明翰大学计算机学院）
本文研究了复合序列量子假设检验问题，提出了一种混合-序列量子概率比检验方法，通过自适应选择测量并停止阈值跨越，同时达到类型I和最坏情况类型II误差指数。
2026-08-12 cs.IT math.IT math.ST
Sequential Controlled Sensing for Composite Multihypothesis Testing
研究了观测值有控感知的多假设检验问题。假设在每个对照下收集的观察值的分布遵循单参数指数族分布。我们的目标是设计一个策略，以最小的期望延迟找到真正的假设，同时确保错误的概率低于给定的约束。决策者可以通过智能地选择每个时隙的观测值采集控制来控制延迟。我们得出一个政策，满足给定的约束的错误概率。我们还表明，该政策是渐近最优的意义上说，它渐近地实现了信息理论的下界的预期延迟。
2019-10-24 cs.LG math.ST stat.ML
Asymptotic Theory and Sequential Testing for Adaptive Bandits
School of Mathematics and Statistics, Xi’an Jiaotong University（西安交通大学数学与统计学院）
提出Urn Bandit过程，结合瓮概率模型与多臂老虎机，建立非独立同分布奖励序列下的联合泛函中心极限定理，实现序贯检验的渐近理论，在保持检验性能的同时提升奖励累积。
2026-05-30 stat.ME
Sequential One-Sided Hypothesis Testing of Markov Chains
针对马尔可夫链的序贯检验问题，提出基于数据驱动估计器的单侧SPRT型检验，在估计器遗憾为对数阶时渐近匹配最优性能，无需先验信息。
2025-01-22 math.ST stat.AP stat.TH
Design-Driven Inference for Online Experiments: Jointly Optimal Evidence Collection, Testing, and Estimation
School of Mathematics and Statistics, Beijing Institute of Technology（北京理工大学数学与统计学院）；School of Science, China University of Mining and Technology-Beijing（中国矿业大学（北京）理学院）；Department of Statistics, Beijing Normal University at Zhuhai（北京师范大学珠海校区统计学系）
针对在线多因素实验，提出设计驱动框架联合优化分配与证据规则，实现检验与估计双重最优，并通过模拟和LLM实验验证改进。
2026-10-07 stat.ME
Minimax Optimal Goodness-of-Fit Testing with Kernel Stein Discrepancy
本文提出基于谱正则化的核 Stein 散度检验，在一般域上实现极小极大最优拟合优度检验，并引入自适应检验，数值实验验证其优于未正则化方法。
2025-01-22 math.ST stat.ML stat.TH
Asymptotically Optimal Sequential Confidence Interval for the Gini Index Under Complex Household Survey Design with Sub-Stratification
Department of Mathematics, Karwar, 342037, India（卡瓦尔数学系）；School of Management and Entrepreneurship, Karwar, 342037, India（卡瓦尔管理与创业学院）
本文提出两种方法，通过在复杂调查设计下实现Gini指数估计量的渐进最优性，结合模拟和实证分析验证其有效性。
2026-02-25 stat.ME
Hypothesis Testing of Blip Effects in Sequential Causal Inference
在这篇文章中，我们研究了治疗序列中治疗的瞬时/净效应的假设检验。说明了在原假设下，似然比检验和score检验可能存在维数灾难、零悖论和标准参数的高维约束.另一方面，我们在单点因果推断中通过少量的处理点效应构造Wald检验。我们表明，Wald测试可以避免这些问题，在相同的假设下，作为Wald测试测试点效应的治疗。仿真研究表明，Wald测试实现了标称水平的第一类错误和低水平的第二类错误。一个真实的医学例子说明了如何在实践中进行沃尔德测试。
2020-02-01 stat.ME
A minimum-risk and cost-efficient two-sample sequential testing framework for the shifted exponential models with application to precipitation data
Indian Institute of Technology Delhi（印度德里理工学院）
提出一种双序贯抽样框架，通过控制第一类错误概率并最小化包含第二类错误和抽样成本的损失函数，检验两个移位指数模型的位置参数差异，具有一阶、二阶效率和风险效率。
2026-06-19 stat.ME
Sequential multiple testing with multiple hypotheses and prior information on the hypothesis configuration
School of Mathematical Sciences, Tongji University（同济大学数学科学学院）
针对多个独立序贯观测数据流中每个流有多个候选假设的问题，利用假设配置的先验信息，设计了一种可靠、计算高效且渐近最优的序贯检验程序。
2026-05-30 stat.ME
Second-Order Asymptotics of Sequential Hypothesis Testing
我们考虑经典的序贯二元假设检验问题，其中有两个假设分别由分布$P_0$和$P_1$，我们想决定哪个假设是真的使用序贯检验。从Wald和Wolfowitz的工作中可以知道，随着检验长度的期望值的增长，最优I型和II型误差指数接近相对熵$D(P_1\|P_0)$和$D(P_0\|P_1)$。我们通过考虑最佳回退-或二阶渐近-在两个不同的测试长度（或样本大小）约束下，从可达到的指数区域$(D(P_1\|P_0),D(P_0\|P_1))$的角点改进了这个结果。首先，我们考虑一个概率约束，其中的概率，测试的长度超过一个规定的整数$n$小于一定的阈值$0<\varepsilon <1$。第二，样本量的期望值受$n$限制。在这两种情况下，并在温和的条件下，二阶渐近的特点是准确的。数值例子来说明我们的结果。
2020-06-30 cs.IT math.IT math.ST
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
Order-2 Asymptotic Optimality of the Fully Distributed Sequential Hypothesis Test
本文分析了在无融合中心的传感器网络中，当I类和第二类错误率趋于零时，全分布式序贯假设检验过程的渐近性能。特别地，传感器网络由无向图定义，其中每个传感器可以随时间观察样本，访问来自相邻传感器的信息，并基于其自己的决策统计执行顺序测试。与大多数文献不同的是，在我们的框架中，采样过程和信息交换过程同时发生（或者至少在可比的时间尺度上），因此不能彼此解耦。考虑了两种消息传递方案，并在此基础上分别进行了分布式序贯概率比测试（DSPRT）。第一个方案的特点是散发原始样本。尽管基于样本传播的DSPRT在每个传感器处产生渐近最优性能，但由于原始样本与索引信息的交换，它会引起过多的传感器间通信开销。第二种方案采用了一致性算法，在传感器之间交换局部决策统计而不是原始样本，从而显着降低了通信要求相比，第一种方案。特别地，在每个传感器处的DSPRT的决策统计通过在每个消息传递步骤处的邻域中的决策统计的加权平均来更新。我们表明，在一定的正则条件下，基于一致性算法的DSPRT也产生了2阶渐近最优性能在所有传感器。
2016-06-14 cs.IT math.IT stat.AP
Active Sequential Two-Sample Testing
Arizona State University（亚利桑那州立大学）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；IBM Research（IBM研究中心）
本文提出首个主动序贯双样本检验框架，通过自适应分类模型主动标注高依赖度特征，在控制第一类错误的同时显著提升检验功效。
2024-06-28 cs.LG stat.ME
Sequential hypothesis testing in machine learning, and crude oil price jump size detection
在本文中，我们提出了一个序贯假设检验一般跳跃大小分布的检测。给出并分析了相应的对数似然比的无穷小生成元.计算了无穷小生成元的上下解的界。这被证明是可实施的原油价格数据集的各种分类问题。实施机器和深度学习算法以从原油数据集中提取特定的确定性成分，并实施确定性成分以改进Barndorff-Nielsen和Shephard模型，这是衍生品和商品市场分析的常用随机模型。
2020-12-02 q-fin.MF stat.ME stat.ML
Granger Causality Detection via Sequential Hypothesis Testing
针对测量缺陷影响因果检测性能的问题，提出基于向量自回归系数范数的序贯假设检验方法，用于序贯检测两时间序列间的Granger因果关系，并通过仿真验证了其有效性。
2023-03-31 eess.SP stat.ME
Robust Sequential Hypothesis Testing with Generalized Estimating Equations for Incomplete Clustered and Longitudinal Data
University of Rochester（罗切斯特大学）
本文提出了一种基于广义估计方程的稳健序列假设检验方法，适用于不完整聚类和纵向数据，通过不依赖建模假设来提高鲁棒性，并改进功效边界计算与多重插补应用。
2026-03-13 stat.ME
Greedy Approximation Algorithms for Active Sequential Hypothesis Testing
Carnegie Mellon University（卡内基梅隆大学）
在主动序贯假设检验（ASHT）问题中，学习者试图从一组已知的假设中识别出真正的假设。学习者被给予一组动作，并且知道在任何真实假设下任何动作的结果的随机分布。给定目标误差$δ>0$，目标是顺序地选择最少数量的动作，以便以至少$1 - δ$的概率识别真假设。受假设或动作数量巨大的应用程序的激励（例如，基于基因组学的癌症检测），我们提出了有效的（贪婪，事实上）算法，并提供了第一近似保证ASHT，在两种类型的自适应。我们的保证都是独立的行动和对数的假设的数量。我们数值评估我们的算法使用合成和现实世界的DNA突变数据的性能，表明我们的算法优于以前提出的启发式政策的大利润率。
2021-10-06 cs.LG stat.ML
