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
Active Sequential Signal Detection with Asynchronous Decisions
School of Mathematical Sciences, Tongji University(同济大学数学科学学院);Department of Statistics, University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校统计学系)
研究在多数据流中快速检测信号问题,提出新性能标准优化检测时间顺序统计量,通过探索机制改进'跟随领导者'方法,实现误报和漏检概率趋近于零时的渐近优化。
2026-10-12 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 Tests of Multiple Hypotheses Controlling False Discovery and Nondiscovery Rates
我们提出了一个通用的和灵活的程序来测试多个假设的顺序(或流)的数据,同时控制的错误发现率(FDR)和错误的非发现率(FNR)的最小假设下的数据流,可能会有所不同的分布,尺寸,并依赖。所有需要的是用于控制传统的I型和II型错误概率的每个数据流的检验统计量,并且不需要关于统计量或数据流的联合分布的信息或假设。该程序可与顺序、成组顺序、截断或其他采样方案一起使用。该程序是Benjamini和Hochberg(1995)广泛使用的固定样本量程序到顺序数据领域的自然扩展,具有序贯抽样提供的同时FDR和FNR控制的额外好处。我们证明了程序的错误控制,并给出了一些提示,在常见的测试情况下实施。
2019-01-11 math.ST stat.ME stat.TH
Optimal Parallel Sequential Change Detection under Generalized Performance Measures
本文考虑并行数据流中的变化点检测,这是分析大规模实时流数据时经常遇到的问题。每个流可能有自己的变化点,在那里它的数据具有分布变化。对于连续观察的数据,决策者需要声明每个时间点的流是否已经发生了变化。一旦声明流发生了变化,它将永久停用,以便不再收集其未来的数据。这是一个复合决策问题,因为决策者可能希望优化某些涉及所有流作为一个整体的复合性能指标。因此,对于不同的流,决策不是独立的。我们的贡献是三方面的。首先,我们提出了一个通用的框架,复合性能指标,其中包括在现有的作品中考虑的特殊情况下,并介绍了新的连接密切的单流顺序变化检测和大规模假设检验的性能指标。第二,数据驱动的决策程序在这个框架下开发。最后,最优性结果建立建议的决策程序。所提出的方法和理论进行了评估模拟研究和案例研究。
2022-06-16 math.ST stat.ME stat.TH
Sequential Tests of Multiple Hypotheses Controlling Type I and II Familywise Error Rates
本文讨论了以下一般情况:一个科学家希望进行一组实验,每个实验产生一个连续的数据流,以研究某种现象。科学家希望控制总体错误率,以便从每个实验中得出有效的结论,同时尽可能高效。流间数据可能在分布和维度上不同,但也可能高度相关,甚至在某些情况下完全重复。把每个实验作为一个假设检验,并采用familywise错误率(FWER)度量,我们给出了一个程序,顺序测试每个假设,同时控制I型和II FWER,而不管流间的相关性,只需要任意顺序检验统计量,控制一个给定的流在隔离的错误率。建议的程序,我们称之为序贯Holm程序,因为它的灵感来自Holm的(1979年)开创性的固定样本程序,显示出同时节省预期的样本量和较少保守的错误控制相对于固定样本,序贯Bonferroni,和其他最近提出的序贯程序在模拟研究。
2014-05-08 math.ST stat.ME stat.TH
Joint Sequential Detection and Isolation for Dependent Data Streams
联合顺序检测和隔离的问题被认为是在多个,不一定是独立的,数据流的上下文中。提出了一种多重检验框架,其中每个假设对应于不同的数据流子集,样本量是观测的停时,四种错误的概率被控制在用户指定的不同水平之下.这些误差中的两个反映了制剂的检测组分,而另外两个反映了分离组分。当误差概率趋于0时,最优期望样本量表征为一阶渐近近似。不同的渐近制度,表示不同的优先级的检测和隔离任务,被认为是。提出了一种新颖的,通用的家庭的测试程序,其中两个不同的,在一般情况下,统计计算每个假设,一个解决检测任务和其他隔离任务。在这个家庭中,各种计算复杂性的测试,被证明是渐近最佳的不同的设置下。一般的理论被应用到异常的,不一定是独立的,数据流的检测和隔离,以及一个未知的依赖结构的检测和隔离。
2022-06-30 math.ST stat.ME stat.TH
Multiple Hypothesis Tests Controlling Generalized Error Rates for Sequential Data
$γ$ -FDP和$k$ -FWER多重检验误差度量(它们是相应误差统计的尾部概率)作为FDR和FWER的较不严格的替代方案近来已经变得流行。我们提出了通用和灵活的步升和步降程序,用于测试多个假设的顺序(或流)数据,同时控制I型和II型版本的$γ$ -FDP,或$k$ -FWER。无论数据流之间的依赖性如何,错误控制都是有效的,数据流可以是任意大小和形状的。所有需要的是用于控制传统的I型和II型错误概率的每个数据流的检验统计量,并且不需要关于统计量或数据流的联合分布的信息或假设。这些程序可与顺序、成组顺序、截断或其他采样方案一起使用。我们给出了程序实现的建议,包括在一些常见的测试情况下所需的临界值的封闭形式的表达式。建议的顺序程序进行了比较,彼此和可比的固定样本量程序的背景下,强正相关的高斯数据流。对于该设置,我们得出结论,在预期样本量方面,步进和步进顺序程序均比固定样本程序节省了大量时间,对于$γ$ -FDP对照,步进程序的性能略好于步进程序,但始终优于步进程序,对于$k$ -FWER对照,关系相反。
2016-12-19 math.ST stat.ME stat.TH
Peeking with PEAK: Sequential, Nonparametric Composite Hypothesis Tests for Means of Multiple Data Streams
Cornell Tech(康奈尔理工学院)
提出基于赌博框架的非参数序贯检验方法PEAK,用于多数据流均值复合假设检验,在保证第一类错误控制的同时显著减少样本量并降低计算复杂度。
2024-06-02 cs.LG stat.ME stat.ML
Multiple testing in multi-stream sequential change detection
Carnegie Mellon University(卡内基梅隆大学);Stanford University(斯坦福大学)
研究多流序贯变点检测中的多重检验问题,指出有限ARL与控制传统第一类错误度量存在根本冲突,提出可控制的EOP度量,并结合e-detector框架与e-Benjamini-Hochberg等程序提出新算法,在一般依赖结构下实现误差控制与平滑权衡。
2026-10-19 eess.SP math.ST stat.ME
Structure-Adaptive Sequential Testing for Online False Discovery Rate Control
考虑对一系列假设的在线测试,其中必须在下一个数据点到达之前做出实时决策。要求在{all}决策点控制错误率。传统的\emph{simultaneous testing rules}由于更严格的误差约束和缺乏未来数据而不再适用。此外,当总错误预算或阿尔法财富耗尽时,在线决策过程可能会停止。本文提出了一种新的结构--自适应序贯测试(SAST)规则,用于在线错误发现率(FDR)控制。在我们的建议中的一个关键因素是一个新的阿尔法-投资算法,精确地描述了收益和损失的顺序决策。SAST捕获数据流的时变结构,以持续的方式自适应地学习最佳阈值,并优化不同时间段的α财富分配。我们目前的理论和数值结果表明,所提出的方法是有效的在线FDR控制,并实现了显着的功率增益超过现有的在线测试规则。
2020-02-28 stat.ME stat.ML
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
Pooling Sequential Evidence Across Hypotheses: Rate-Optimal Multiple Testing at a Fixed Horizon
H. Milton Stewart School of Industrial;Systems Engineering, Georgia Institute of Technology, e1,e2
本文提出一种在固定时间范围内对未知数量错误假设进行序贯检验的方法,通过先验加权混合和闭合检验实现速率最优的多重检验,并有效控制族系错误率。
2026-09-24 math.ST stat.ME stat.TH
Quasi-Bayes empirical Bayes: a sequential approach to the Poisson compound decision problem
University of Torino(都灵大学);Collegio Carlo Alberto(卡罗阿尔贝托学院);Bocconi University(博科尼大学)
针对流式数据中的泊松复合决策问题,提出基于牛顿算法的拟贝叶斯序贯估计,具有常数计算成本,并证明了其一致性和渐近最优性。
2026-06-12 stat.ME stat.ML