Comment: Quantifying the Fraction of Missing Information for Hypothesis Testing in Statistical and Genetic Studies
关于“统计学和遗传学研究中假设检验缺失信息部分的定量”的评论[arXiv：1102.2774]
2011-02-15 stat.ME
A Pure Hypothesis Test for Inhomogeneous Random Graph Models Based on a Kernelised Stein Discrepancy
University of Oxford（牛津大学）；Lahore College for Women University（拉合尔女子大学）
本文提出一种基于核化Stein差异的检验方法，用于非均匀随机图模型，仅需单个网络观测即可检验模型拟合，适用于任意大小的网络，尤其适用于小网络，且提供理论保证。
2026-04-01 cs.LG math.ST stat.ML
Differentially Private Hypothesis Testing with the Subsampled and Aggregated Randomized Response Mechanism
随机应答是分析机密数据的最古老和最知名的方法之一。然而，它的效用差异私人假设检验是有限的，因为它不能同时实现高隐私级别和低第一类错误率。在本文中，我们将展示如何使用子样本和聚合技术来克服这个问题。其结果是一个通用的方法，可用于频率和贝叶斯测试。{{We举例说明我们的建议在三种情况下的性能：线性回归模型的拟合优度检验，Wilcoxon检验的位置参数的非参数检验，以及非参数Kruskal-Wallis检验。
2023-03-03 stat.ME
hyppo: A Multivariate Hypothesis Testing Python Package
针对现有多元假设检验R包接口不一致、Python中可用工具少的问题，研究团队推出了Python包hyppo，它整合了多种前沿多元检验方法，易用且易扩展，为相关研究提供统一工具。
2024-09-13 cs.MS stat.CO stat.ME
B-Value and Empirical Equivalence Bound: A New Procedure of Hypothesis Testing
在这项研究中，我们提出了一个两阶段的程序假设检验，其中第一阶段是传统的假设检验，第二阶段是一个等价性检验过程中引入的经验等价界。2016年，美国统计协会发布了一份关于P值的政策声明，以澄清正确的使用和解释，以回应对科学发现中可重复性和可复制性的批评。在统计假设检验中提高再现性和透明度的最新解决方案是将具有实际或科学意义的P值（或置信区间）整合。类似的想法已经通过等价性检验提出，其目标是在参数不平等的假设（空）下推断相等。然而，在这些测试程序中，科学显著性/等效性的定义可能是主观的。为了克服这个缺点，我们引入了一个B值和经验等价界，这两个都是从数据中估计的。执行第二阶段等效性检验，我们的程序提供了一个机会，以纠正假阳性发现，并提高跨研究结果的重现性。
2019-12-30 stat.ME
Stable Distillation and High-Dimensional Hypothesis Testing
针对高维回归中非正交预测变量难以独立检验的问题，提出 Stable Distillation，通过向结果向量注入噪声使效应估计正交，生成独立 p 值，并在模拟中达到或超过现有方法功效。
2025-01-09 stat.ME
Kernel Two-Sample Hypothesis Testing Using Kernel Set Classification
研究了高维小样本量数据集的双样本假设检验问题。我们表明，两个样本的假设检验问题可以构成一类集分类问题。在集合分类问题中，目标是对假设具有共同类的一组数据点进行分类。我们证明了给定一个集合的平均错误概率小于或等于贝叶斯错误，并且随着集合中样本数据点的$n$数量的幂而减小。我们使用正定集核直接将数据集映射到相关的再生核希尔伯特空间，而不需要学习概率分布。我们特别解决了两个样本的假设检验问题，使用一个类SVM结合建议的集核。我们比较了所提出的方法与最大均值离散，F-检验和T-检验方法在一些具有挑战性的模拟高维和小样本量的数据。我们还对六个癌症基因表达数据集进行了双样本假设检验实验，并在所有数据集上实现了零I类和第二类错误结果。
2017-11-13 stat.ML
Permutation-based Hypothesis Testing for Neural Networks
神经网络是功能强大的预测模型，但它们对预测因子和结果之间关系的本质几乎没有提供任何见解。尽管已经提出了许多方法来量化输入特征的相对贡献，但特征关联的统计推断和假设检验仍在很大程度上未被探索。我们提出了一种基于置换的测试方法，该方法使用网络输出相对于特定输入的偏导数来评估输入特征的重要性以及重要特征是否与网络输出线性相关。这些测试可以灵活地应用于各种网络架构，增强了神经网络的解释能力，并与强大的预测能力相结合，扩展了这些模型的适用性。
2023-01-26 stat.ME
A Sampling-based Framework for Hypothesis Testing on Large Attributed Graphs
The University of Hong Kong（香港大学）；CNRS（法国国家科学研究中心）
提出一种基于采样的假设检验框架，形式化属性图中的节点、边和路径假设，并设计路径假设感知采样器PHASE及优化版PHASEopt，实验证明其在准确性和时间效率上的优势。
2025-02-26 cs.DB cs.LG stat.ML
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
Statistical Limits for Testing Correlation of Hypergraphs
本文研究了$n$上两个$m$ -一致超图之间相关性的假设检验问题。在零假设下，超图是独立的，而在备择假设下，超边具有与原假设相同的边缘分布，但在一些未知的节点置换后是相关的。我们重点讨论了两种情况：超图是由Gaussian-Wigner模型和稠密Erdös-Rényi模型生成的。我们推导出尖锐的信息论测试阈值。在阈值以上，存在区分备择假设和原假设的有效检验。在阈值以下，备择假设和原假设不可区分。阈值涉及$m$，并随着$m$变大而减小。这表明测试超图（$m\geq3$）的相关性比测试图（$m=2$）的相关性更容易
2022-02-11 math.ST stat.ML stat.TH
Large Deviation Analysis of Score-based Hypothesis Testing
本文分析基于分数的假设检验方法的性能，推导第一类与第二类错误概率上界，证明其指数在简单假设下渐近紧，并给出显式结果与数值验证。
2024-02-03 eess.SP stat.ME
A Data-Driven Approach to Robust Hypothesis Testing Using Sinkhorn Uncertainty Sets
Georgia Institute of Technology（佐治亚理工学院）
小样本情形下的假设检验是一个具有重要实际意义的问题。在本文中，我们研究了强大的假设检验问题，在数据驱动的方式，我们寻求最坏情况下的检测器分布的不确定性集的经验分布为中心的样本使用Sinkhorn距离。与Wasserstein鲁棒性检验相比，该方法在训练样本之外支持相应的最不利分布，从而提供了一种更灵活的检测器。在合成数据集和真实数据集上进行了各种数值实验，以验证我们所提出的方法的竞争力。
2022-05-15 cs.LG stat.ML
Evidential Analysis: An Alternative to Hypothesis Testing in Normal Linear Models
本文提出用证据分析替代统计假设检验，以改善其缺陷，并应用于固定效应正态线性模型，通过双向方差分析实例展示其优势。
2024-08-21 stat.ME
Multiple Hypothesis Testing in Pattern Discovery
多个假设检验的问题出现时，有一个以上的假设要同时测试的统计意义。这是许多数据挖掘应用程序中非常常见的情况。例如，同时评估单个数据集的所有频繁项集的重要性需要一系列假设，每个项集一个。需要多重假设检验方法来控制假阳性（第一类错误）的数量。我们在本文中的贡献是扩展的多假设框架，使用一个通用的数据挖掘算法。我们提供了一种方法，可证明控制的家庭明智的错误率（FWER，至少有一个假阳性的概率）在很强的意义上。我们评估我们的解决方案在真实和生成的数据上的性能。结果表明，我们的方法控制FWER，同时保持测试的功率。
2009-06-29 stat.CO stat.ML
Dimension constraints improve hypothesis testing for large-scale, graph-associated, brain-image data
对于大规模的测试与图形相关的数据，我们提出了一个经验贝叶斯混合技术来评分本地错误发现率。与忽略图的经验贝叶斯程序相比，所提出的方法在非空情况形成连通子图的设置中获得了功率，并且通过正则化测试单元之间的参数对比来实现。仿真结果表明，GraphMM在各种设置中控制了错误发现率。在一项与阿尔茨海默病发作相关的大脑变化研究的磁共振成像数据上，GraphMM产生的产量远远高于传统的大规模测试程序。
2019-11-25 stat.ME
The power of forgetting in statistical hypothesis testing
本文提出将共形检验纳入一般统计假设检验框架，通过允许遗忘部分数据来完全覆盖共形检验，并指出标准方法的局限及未来研究方向。
2024-02-10 math.ST stat.ME stat.TH
Active Hypothesis Testing under Computational Budgets
Fudan University（复旦大学）；University of Alberta（阿尔伯塔大学）
本文提出了一种主动假设检验框架，利用低成本辅助统计量分配全局计算预算，通过数据自适应方法在保证有效性的同时满足预算约束，理论和实证结果表明其在固定资源限制下提升了统计效率。
2026-09-29 stat.ME
Bayesian Hypothesis Testing for Block Sparse Signal Recovery
提出了一种新的块贝叶斯假设检验算法（Block-BHTA），用于重构具有未知块结构的块稀疏信号。Block-BHTA算法包括支撑点的检测和恢复，以及块稀疏信号幅度的估计。使用贝叶斯假设检验执行支持检测和恢复。然后，基于检测和重建的支持，非零幅度估计的线性MMSE。数值实验证明了Block-BHTA的有效性。
2015-08-22 cs.IT math.IT stat.ML
Hypothesis testing for medical imaging analysis via the smooth Euler characteristic transform
本文提出基于平滑欧拉特征变换的假设检验方法，用于检测医学影像中形状集合的显著差异，并在肺癌肿瘤影像上验证其性能优于现有机器学习模型。
2023-08-12 stat.ME
Nonparametric hypothesis testing for equality of means on the simplex
在单形上的数据的背景下，我们调查使用经验和指数经验似然，Hotelling和James统计，以测试相等的人口平均值的原假设的基础上，两个独立的样本。我们进行了广泛的数值研究，使用模拟的数据从各种分布的单纯形。的结果，结合实际的实施考虑，支持使用自举校准詹姆斯统计。
2016-08-04 stat.ME
Methods for Large-scale Single Mediator Hypothesis Testing: Possible Choices and Comparisons
由于原假设的复合结构，H 0：α * β =0（α：调整混杂因素后暴露对介质的影响; β：调整暴露和混杂因素后介质对结果的影响），大量介质的介质假设检验具有挑战性。本文综述了三类多中介假设检验方法。除了这些现有的方法，我们开发了Sobel-comp方法，它使用修正的混合参考分布的Sobel的检验统计量。我们进行了广泛的模拟研究，比较所有六种方法在原假设下的假阳性率和备择假设下的真阳性率。我们发现，这类方法使用的混合参考分布可以最好地保持在名义水平的原假设下的假阳性率和备择假设下有最大的真阳性率。我们应用所有的方法来研究DNA甲基化位点的调解机制的途径，从成人的社会经济地位糖化血红蛋白水平使用的数据来自多种族研究动脉粥样硬化（MESA）。我们还提供了指导原则，选择最佳的调解假设检验方法在实践中。
2022-03-24 stat.AP stat.ME
Hypothesis Testing for Shapes using Vectorized Persistence Diagrams
拓扑数据分析涉及数据形状的统计特征。持久同源性是拓扑数据分析的主要工具，可以用来分析拓扑特征和进行统计推断。在本文中，我们提出了一个两阶段的假设检验向量持久性图。第一阶段过滤向量化持久性图中的向量元素以增强测试的能力。第二阶段由多个假设检验组成，假阳性由错误发现率控制。我们证明了我们的方法的灵活性，通过将其应用到各种模拟和现实世界的数据类型。我们的研究结果表明，建议的假设检验，使准确和翔实的推断数据的形状相比，现有的持久同源性的假设检验方法。
2023-02-28 math.AT stat.ME
Stock Price Forecasting and Hypothesis Testing Using Neural Networks
Rice University（莱斯大学）；Department of Economics（经济学系）
在这项工作中，我们使用递归神经网络和多层感知器从历史数据中预测纽约证券交易所，纳斯达克和美国证券交易所的股票价格。我们使用不同的架构进行实验，并比较数据规范化技术。然后，我们利用这些发现，通过正式的统计检验来质疑有效市场假说。
2019-08-28 cs.LG econ.EM q-fin.ST
Differentially private hypothesis testing in survival analysis
University of Warwick（华威大学）
本文研究了生存分析中差分隐私假设检验的问题，提出了针对Cox回归系数的隐私部分似然比检验和分数型检验，以及累积危险函数的隐私分布式两样本检验，并证明了差分隐私和有限样本检验保证以及最小最大下界，揭示了隐私在统计上可忽略、主导检验速率以及半参数生存模型中最优隐私检验率仍待解决的问题。
2026-05-16 math.ST stat.ME stat.TH
Minimax Rates in Network Analysis: Graphon Estimation, Community Detection and Hypothesis Testing
本文综述了网络分析的基本极限和优化算法的一些最新进展。我们专注于最小最大最优率在网络分析的三个基本问题：图子估计，社区检测，和假设检验。对于每一个问题，我们回顾国家的最先进的结果，在文献中遵循的一般原则，导致最小最大估计和测试的最佳程序。这使我们能够从一般的角度将网络分析中的问题与其他统计推断问题联系起来。
2019-02-14 cs.SI math.ST stat.ML
Hypothesis Testing in Imaging Inverse Problems
School of Mathematical and Computer Sciences, Heriot-Watt University（赫瑞斯泰学院数学与计算机科学系，赫瑞瓦特大学）；School of Mathematics, University of Edinburgh（爱丁堡大学数学学院）；Maxwell Institute for Mathematical Sciences（麦克斯韦数学科学研究所）
本文提出一种针对成像逆问题的语义假设检验框架，利用自监督计算成像、视觉语言模型和基于e-values的非参数检验，在稳健控制I类错误的同时实现了出色的检验功效。
2025-05-28 cs.LG stat.ML
Causal Structural Hypothesis Testing and Data Generation Models
University of California, Los Angeles（加州大学洛杉矶分校）
大量的专家和领域知识被捕获的因果结构先验，但一直很少有研究测试这样的先验的泛化和数据合成的目的。我们提出了一种新的模型架构，因果结构假设检验，可以使用非参数，结构因果知识和近似因果模型的功能关系，使用深神经网络。我们使用这些架构来比较结构先验，类似于假设检验，使用训练和测试数据的故意（非随机）分裂。大量的模拟证明了分布外泛化误差作为因果结构先验假设检验的代理的有效性，并为解释结果提供了统计基线。我们表明，变分版本的架构，因果结构变分假设检验可以提高性能在低信噪比制度。由于模型的简单性和低参数计数，从业者可以在小数据集上测试和比较结构先验假设，并使用具有最佳泛化能力的先验来合成更大的因果信息数据集。最后，我们在合成摆数据集上验证了我们的方法，并在现实世界的创伤手术地面坠落数据集上展示了一个用例。
2022-11-04 cs.AI cs.LG stat.ML
Methodological considerations for semialgebraic hypothesis testing with incomplete U-statistics
本文评估了Sturma等人提出的半代数假设检验随机方法在系统发育学模型中的实际表现，并总结了有效应用中需注意的若干方法论问题。
2025-07-17 q-bio.PE stat.ME
Classification testing: A new framework for drawing qualitative conclusions from quantitative estimates
University of Chicago（芝加哥大学）
针对社会科学研究中标准假设检验仅能检验单一假设的局限，提出分类检验新框架，可在相关定性类别间分配估计量或宣布结果无定论，还将其应用于媒体实验并提供R包辅助实施。
2026-08-25 econ.EM stat.ME
The Sample Complexity of Distributed Simple Binary Hypothesis Testing under Information Constraints
该研究解决了信息约束下分布式简单二元假设检验样本复杂度的两个公开问题，证明序贯交互不降低样本复杂度，推导了通信约束下的最优紧界，并提出三项关键技术贡献。
2025-06-16 cs.IT math.IT math.ST
Hypothesis Testing in Nonlinear Function on Scalar Regression with Application to Child Growth Study
提出了一种基于核机器的非线性标量函数回归模型的假设检验方法。我们的研究是由新生儿表观遗传学研究（NEST）的动机，其中感兴趣的问题是是否在9个差异甲基化区域（DMR）的任何一个预先指定的有毒金属或甲基化组与儿童生长相关。我们把儿童的生长轨迹作为功能反应，并使用非线性函数联合建模有毒金属测量。我们使用一个核机器的方法来模拟未知的功能和转换的假设没有影响到一个适当的方差分量测试。我们证明了我们提出的方法，使用模拟研究，并将其应用于分析NEST数据。
2021-06-30 stat.AP stat.ME
Hypothesis testing with active information
我们开发假设检验的积极信息-平均量的Kullback-Liebler分歧。据我们所知，这是第一篇论文，以获得确切的概率I型错误的假设检验在该地区。
2021-11-12 cs.IT math.IT math.ST
Generalized Likelihood Ratio Test for Adversarially Robust Hypothesis Testing
University of California Santa Barbara（加州大学圣巴巴拉分校）
众所周知，机器学习模型容易受到对抗性攻击的影响，这些攻击可能会通过引入小但精心设计的扰动来导致错误分类。在本文中，我们考虑了一个经典的假设检验问题，以发展基本的洞察力来抵御这种对抗性扰动。我们解释为一个讨厌的参数的对抗性扰动，并提出了一种防御的基础上应用广义似然比检验（GLRT）得到的复合假设检验问题，共同估计类的兴趣和对抗性扰动。虽然GLRT方法适用于一般的多类假设检验，我们首先评估它的二进制假设检验在白高斯噪声下的$\ell_{\infty}$范数有界对抗扰动，其中一个已知的最坏情况下的攻击的最小最大防御优化提供了一个基准。我们推导出GLRT防御的最坏情况下的攻击，并表明其渐近性能（随着数据维数的增加）接近极大极小防御。对于非渐近制度，我们通过模拟表明，GLRT防御是最坏情况下的攻击与极大极小方法的竞争力，而在较弱的攻击下，产生更好的鲁棒性-准确性权衡。我们还说明了GLRT方法的多类假设检验的问题，其中的极大极小策略是未知的，评估其性能下的噪声不可知和噪声感知的对抗设置，通过提供一种方法来找到最佳的噪声感知攻击，并找到噪声不可知的攻击，接近最佳的高信噪比制度。
2021-12-04 cs.LG stat.ML
A layman's note on a class of frequentist hypothesis testing problems
据观察，对于简单假设之间的测试，其中I型和II型错误的成本可以量化，最好让优化选择测试大小。
2015-02-04 math.ST stat.TH
Combined Hypothesis Testing on Graphs with Applications to Gene Set Enrichment Analysis
受基因集富集分析的启发，我们研究了图上的组合假设检验问题。我们引入了一个通用的框架，有效地使用结构信息的基础图形时，测试多元手段。在此框架内提出了一个新的测试程序。我们表明，该测试是最佳的，因为它可以始终检测偏离集体零的速度，没有其他测试可以提高，几乎所有的图。我们还提供了一般的性能界限下的任何特定的图，并说明他们的效用，通过几种常见类型的图。数值实验进一步证明了我们的方法的优点。
2016-10-24 math.ST stat.AP stat.ME
Robust hypothesis testing and distribution estimation in Hellinger distance
Google Research（谷歌研究院）
我们提出了一个简单的鲁棒假设检验，具有相同的样本复杂性的最佳Neyman-Pearson检验常数，但强大的分布扰动下Hellinger距离。我们讨论了这样一个强大的测试估计分布在Hellinger距离的适用性。我们经验证明的权力的典型分布的测试。
2020-11-03 cs.IT cs.LG math.IT
Chi-squared test for hypothesis testing of homogeneity
给出了齐性假设检验卡方检验的非参数备择集一致相合的充要条件。卡方检验的单元数随着样本量的增加而增加。非参数方案集可以用密度和分布函数来定义。
2021-08-26 math.ST stat.TH
Quantization of Prior Probabilities for Hypothesis Testing
贝叶斯假设检验研究假设的先验概率，作为一个随机向量，量化。最近邻和质心的条件，使用平均贝叶斯风险误差作为量化失真的措施。失真率函数的高分辨率近似也得到了。研究了隔离群体中的人类决策问题，假设贝叶斯假设检验与量化先验。
2008-05-28 cs.IT math.IT math.ST
On Hypothesis Testing for Poisson Processes. Singular Cases
研究了第一个假设是简单的，第二个假设是局部单侧复合的情况下的假设检验问题。讨论了当观测到的非齐次泊松过程的强度函数具有两种不同类型的奇异性：尖点奇异性和间断奇异性时，不同检验的阈值和幂函数的选择.通过数值模拟说明了渐近结果。
2015-02-24 math.ST stat.TH
Decentralized Sequential Hypothesis Testing using Asynchronous Communication
我们提出了一个测试的问题，分散序贯假设检验，这是渐近最优的。通过在每个传感器处选择合适的采样机制，传感器与融合中心之间的通信是异步的，并且限于1位数据。所提出的SPRT样测试原来是顺序2渐近最优的情况下，连续时间和连续路径信号，而在离散时间，这种强大的渐近最优性在适当的条件下保持。如果这些条件不成立，那么我们可以证明1阶最优性。仿真证实了感兴趣的测试的优异性能特征。
2009-08-28 math.ST stat.ME stat.TH
Global and Simultaneous Hypothesis Testing for High-Dimensional Logistic Regression Models
高维逻辑斯谛回归被广泛应用于分析具有二元结果的数据。在本文中，全球测试和大规模的多重检验的回归系数被认为是在单和两个回归设置。利用广义低维投影进行偏倚校正，构造了检验全局原假设的检验统计量，并导出了其渐近原假设分布。建立了全局检验的下界，证明了该检验在一定的稀疏范围内是渐近极小极大最优的。为了同时检验各个系数，提出了多重检验程序，并显示出渐近控制的错误发现率（FDR）和错误发现的变量（FDV）。进行了模拟研究，以检查所提出的测试的数值性能和现有的方法相比，其优越性。通过分析代谢组学研究的数据集也说明了测试程序，该研究调查粪便代谢物和小儿克罗恩病之间的关联以及治疗对这种关联的影响。
2020-11-19 math.ST stat.ME stat.TH
Hypothesis Testing for a Functional Parameter via Self-normalization
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Washington University in St Louis（华盛顿大学圣路易斯分校）
提出基于样本分割的自归一化方法，用于检验函数参数的简单或复合假设，推导了零假设下的渐近分布和局部备择下的功效函数。
2026-05-30 math.ST stat.ME stat.TH
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
Robust Hypothesis Testing with Wasserstein Uncertainty Sets
我们考虑一个数据驱动的稳健假设检验，其中最优检验将最大限度地减少最坏情况下的性能，这些性能与Wasserstein距离的经验分布接近。这导致了一个新的非参数假设检验框架的基础上分布鲁棒优化，这是更强大的，当有有限的样本为一个或两个假设。这样的场景通常出现在医疗保健、在线变点检测和异常检测等应用中。我们研究的计算和统计特性提出了一个易于处理的凸重新制定的原始无限维变分问题利用Wasserstein的属性和特征的半径选择的不确定性集的测试。我们还证明了我们的方法在合成和真实数据上的良好性能。
2021-05-29 math.ST stat.ME stat.TH
Quantum hypothesis testing for quantum Gaussian states: Quantum analogues of chi-square, t and F tests
我们对待量子对应的测试问题，其最佳测试卡方，t和F测试。这些量子对应物被表述为关于量子高斯态族的量子假设检验问题，并且包含具有群对称性的扰动参数。量子Hunt-Stein定理去除了一部分扰动参数，但其他类型的困难仍然存在。为了消除它们，结合量子Hunt-Stein定理和其他归约方法，建立了一个通用的归约定理，将一个复杂的量子假设检验问题归约为一个基本的量子假设检验问题.使用这些方法，我们推导出卡方，t和F检验的量子对应物作为各自设置中的最佳测试。
2011-10-28 math.ST quant-ph 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
Minimum Probability of Error of List M-ary Hypothesis Testing
我们研究了贝叶斯M元假设检验的一个变体，在该检验中，在处理观察结果时，该检验输出M个可能的L个候选者的列表。研究了列表假设检验的最小错误概率问题，其中错误定义为真实假设不在检验输出列表中的事件。我们推导出两个精确的表达式的最小概率或错误。第一个是表示为某一非贝叶斯二元假设检验的错误概率，并让人想起元逆界。第二，表示为上述非贝叶斯二元假设检验中涉及的两个分布之间的似然比的尾概率。
2021-10-27 cs.IT math.IT math.ST
On Robust Hypothesis Testing with respect to the Hellinger Distance
Tata Institute of Fundamental Research（塔塔基础研究所）；Carnegie Mellon University（卡内基梅隆大学）；Google Research（谷歌研究院）
研究了在样本可能不严格来自指定分布的情况下，如何通过Hellinger距离确定更接近的分布，并给出稳健检验的下界及对称卡方距离的启示。
2026-04-20 cs.IT math.IT math.ST
Nonzero-sum Adversarial Hypothesis Testing Games
Indian Institute of Science（印度科学学院）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔国立理工学院）；MPI-SWS（马克斯·普朗克软件系统研究所）
我们研究了在对抗分类的背景下出现的非零和假设检验游戏，在贝叶斯框架和Neyman-Pearson框架中。我们首先表明，这些游戏承认混合策略纳什均衡，然后我们研究了一些有趣的集中现象，这些均衡。我们的主要结果是指数收敛率的分类错误在平衡，这是类似于著名的Baffff-Stein引理和Baffff信息描述的错误指数在经典的二元假设检验问题，但参数来自对抗模型。通过数值实验验证了结果。
2019-09-28 cs.GT cs.LG math.ST
Hypothesis testing near singularities and boundaries
似然比统计量在规则模型点处具有渐近$χ^2$分布，通常用于假设检验。然而，在模型奇点和边界处，渐近分布可能不是$χ^2$，Drton最近的工作强调了这一点。实际上，$χ^2$在奇点和边界附近进行测试时的不良行为在模拟中是明显的，并且可能导致保守或反保守测试。在这里，我们开发了一个新的分布设计用于在奇点和边界附近的假设检验，渐近同意的似然比统计量。对于两个例子三项式模型，进化树的推理的背景下产生的，我们表明新的分布优于一个$χ^2$。
2018-06-22 math.ST q-bio.PE stat.TH
Weighted Hypothesis Testing
可以通过使用加权p值来增加多个检验程序的功效（Genovese，Roeder and Wasserman 2005）。我们推导出最佳的权重，我们表明，权力是非常强大的误指定这些权重。我们考虑在实践中选择权重的两种方法。第一，外部加权，是基于先验信息。第二种是估计权重，使用数据选择权重。
2006-04-07 math.ST stat.TH
On Hypothesis Testing for Poisson Processes. Regular Case
研究了第一个假设为简单假设，第二个假设为局部单侧复合假设的假设检验问题。本文讨论了当观测到的非齐次泊松过程的强度函数关于参数光滑时，Score函数检验、一般似然比检验、Wald检验和两种Bayes检验的阈值和幂函数的选择。它表明，几乎所有这些测试是渐近一致最强大的。给出了数值模拟的结果。
2015-02-25 math.ST stat.TH
Optimal Rate-Exponent Region for a Class of Hypothesis Testing Against Conditional Independence Problems
研究了一类分布式条件独立性假设检验问题。在规定最小化的第二类错误率受到（恒定）上界$ε$的第一类出错率的标准下，我们表征了离散无记忆和无记忆矢量高斯设置的编码率和指数的集合。
2019-04-04 cs.IT math.IT math.ST
