Testing and Support Recovery in Population-Based Image Data¶

作者: Lianqiang Qu, Jian Huang, Liuquan Sun, Hongtu Zhu, for the Alzheimer’s Disease Neuroimaging Initiative
来源: Journal of the American Statistical Association
主题: 数理统计 / 假设检验
相关性: 8/10
机构绿灯: University of North Carolina at Chapel Hill（US News 前 50，免分进入精读）
链接: https://doi.org/10.1080/01621459.2025.2525585

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的子方向是高维空间数据（尤其是图像数据）的假设检验与支撑恢复（support recovery）。其根本问题可以表述为：给定来自两个群体的一组高维、平滑、存在内在空间依赖性的图像数据（例如脑部MRI图像），如何构造一个统计检验来判定两组数据的均值函数是否存在整体差异，并在拒绝零假设后，进一步精确识别出差异发生的空间位置（即支撑集）。这个问题的核心难点在于数据的“高维性”（观测维度p远大于样本量n）和“空间依赖性”——传统的高维假设检验方法（如对独立协变量的全局检验）会因忽略空间平滑性而损失效力，而专门处理空间数据的检验方法尚未在高维情形下建立明确的理论框架。当前，该子方向正从基于“独立分量”的高维检验理论，向融合空间结构假设的方法论过渡，本文正是在此过渡中的一个具体推进。

发展脉络（history）¶

以下梳理根据论文引言（尤其是第二、三段）及其引用的文献构建。作者将前人类工作大致分为两条线索：

奠基工作：高维均值检验（独立数据）
Bai & Saranadasa (1996)：提出了一个针对高维两样本均值检验的“全全局”统计量，其思想是使用全部p个分量的平方和作为检验统计量。该工作奠定了高维假设检验的现代理论基础，但其统计量对所有分量均匀加权，在备择信号稀疏时无效。
Cai, Liu & Xia (2009, 2011, 2013)：这是高维稀疏信号检验的里程碑式工作。他们发展了最大型检验（max-type test），其统计量是标准化后的各分量最大绝对值——“max |Z_j|”——在零假设下趋于Gumbel极值分布。该检验对稀疏备择有很好的功效，但完全忽略了任何空间结构（因为每个坐标被视为独立的）。
Zhang & Cheng (2017)：进一步拓展了最大型检验到高维回归系数显著性检验，并提出一种“去偏Lasso + max-type”的检验模式。
主要进展：空间平滑数据下的检验（低维或固定维度）
Fan & Zhang (2003)：在函数型数据分析框架下，提出了逐点的检验方法并考虑了空间平滑性，但其理论局限于维度p相对固定或缓慢增长的情形。
Zhu et al. (2014)：专门面向神经影像数据，提出一种“多尺度局部检验”（Multiscale Adaptive Test, MAT）框架。该方法的核心是：通过自适应地聚合邻近位置的信息来提升对局部（但空间连续）信号区域的检测效力。但该工作主要面向应用，缺乏对高维情形（p >> n）下检验统计量渐近分布的严格证明。
Gu et al. (2015)：提出了一种基于局部平滑性假设的“空间适应性检验”，并将其用于fMRI数据分析，但同样未在高维极值理论层面给出完整分析。
当前frontier与本文位置 作者的论文在两方面做了推进：(a) 将Zhu et al. (2014) 的多尺度思想严格理论化，在p >> n的高维框架下，证明了检验统计量（经适当归一化后）渐近服从Gumbel极值分布；(b) 在该框架下，首次同时证明了支撑恢复的性质（即能以概率趋于1精确识别出均值差异所在的位置）。因此，本文的位置是：在“空间平滑 + 高维稀疏”的交叉口中，为基于局部聚合的自适应检验提供了首个完整的渐近理论。

子线索聚类¶

线索1：基于独立分量的高维检验（Cai, Liu & Xia系列; Zhang & Cheng系列）
假设：p个坐标相互独立，或只计方差（不考虑协方差结构）。
方法：max-type统计量，T_p = max_{1 ≤ j ≤ p} |Z_j|，利用Gumbel极限。
优点：理论成熟，对稀疏备择有最优（在某些条件下）的鉴识能力。
对本文的引用态度：作者批评这些方法“忽略空间结构，因而对空间连续但较弱的信号区域检验效力不足”。这是作者framing的一部分。
线索2：空间平滑数据检验（Fan & Zhang; Zhu et al.; Gu et al.）
假设：数据存在空间依赖性（平滑性），信号区域是空间连通的。
方法：局部均值或局部核光滑后的统计量，结合多重比较或极值分布。
优点：利用了空间信息，对连续信号敏感。
对本文的引用态度：作者将Zhu et al.的工作作为直接前驱，但强调“其理论限制导致无法在高维下建立精确的Gumbel极限”——本文要解决的就是这个缺口。
线索3（本文归属）：多尺度自适应检验（MAT）
这是本文作者的构造。从方法上看，它介于线索1和线索2之间——既使用极值理论（如线索1），又使用空间聚合（如线索2）。其独特性在于自适应选择聚合尺度和权重，这使得它在面对不同大小和信噪比的信号区域时具有灵活性。

这个方向在追问的核心问题¶

检验的极限分布问题：当p >> n且存在空间平滑性时，检验统计量的渐近分布是什么？Gumbel分布是否仍成立？——本文给出了肯定回答。
支撑恢复的可行性：在什么条件下（信号强度、空间平滑度、样本量），可以精确恢复出均值差异的非零支撑集？本文给出了一个“信号强度下界 + 空间局部常数”的充分条件。
检验功效的最优性：所提方法在稀疏备择下的功率是否达到（或接近）minimax最优？本文没有严格讨论这个点——这是一个值得研究者去查的gap。
计算可行性：在p极大（例如全脑voxel级别）时，如何高效计算检验统计量？本文提出的方法显然可以在O(p log p)内实现，但未讨论更极端的规模。

⚠️ 作者的framing¶

作者的缺口声明（原文引用）：“The existing high-dimensional tests often ignore the spatial features of imaging data... leading to a significant loss of statistical power for detecting localized differences. To maintain power, it is necessary to incorporate spatial information.” 以及 “Existing multiscale methods lack rigorous theoretical justification under high-dimensional asymptotic setting.” 作者把自己工作的独特性定位在：提供了第一个在高维空间平滑设定下，同时具有严格Gumbel极限和支撑恢复理论的检验方法。
竞争路线的淡化：作者没有 explicitly 比较自己方法与基于经验过程（empirical process）或高斯过程（Gaussian process）的多重比较校正方法（如cluster-wise inference in fMRI，典型的如random field theory中的Euler characteristic方法）。这些方法同样处理空间数据问题，但在高维下通常采用Monte Carlo置换检验（非渐近分布）或使用高斯场极值理论（但要求光滑性参数已知）。作者通过“需要已知光滑性参数或繁琐的置换”侧面反驳了这些路线。这是一个值得研究者去查的问题：这些“竞争方法”在类似设定下是否有可比的理论？
缺失的引用：作者没有引用Bu et al. (2020, "A multiscale adaptive test for simultaneous detection and localization of sparse signals") 或类似的同时处理检测与定位的工作（虽然引用列表仅提供摘要格式，但原文标题和摘要并未显示这篇）。同时，也未引用Lei et al. (2017, "A Gumbel-type test for high-dimensional mean vectors") 的类似工作——这篇可能更贴近“Gumbel极限 + max-type”技术线。这些缺失引用是研究者应去搜索验证的。
张力：未见明显对立的工作。本文与Cai等人的“独立分量max-type”本质上是互补的，而非矛盾——在独立坐标下，Cai的方法最优；在空间平滑下，本文的方法更优。两者没有在相同假设下得出相反结论。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型、可观测数据交代清楚¶

在进入最小内核之前，先统一规定记号：

可观测数据：两独立样本，每组样本量为n（为了简化，假设两组样本量相等，即n_1 = n_2 = n/2）。每个样本是一个图像函数Y_i(·)或X_i(·)，定义在单位区域[0,1]²（二维时）或[0,1]³（三维时）上。在实际中，图像被离散化到p个网格点（voxels）上，我们观测到的是p维向量。所以，可观测样本是：第一组：Y₁, ..., Y_{n/2} ∈ ℝ^p；第二组：X₁, ..., X_{n/2} ∈ ℝ^p。
潜在/不可观测的量：
真实的均值函数μ_Y(t)和μ_X(t)（定义在连续区域t ∈ Ω上）。它们是潜在量，只能从离散观测点估计。
真实的均值差函数Δ(t) = μ_Y(t) - μ_X(t)——这也是潜在量。
零假设H₀：Δ(t) ≡ 0对所有t。
备择假设H₁：Δ(t)的支撑集（非零区域）是非空且稀疏的。
模型与假设：
直接在离散网格上建模：Y_i = μ + Δ + ε_i, X_i = μ + ε'_i，其中ε_i, ε'_i为p维随机误差，满足空间同质性（即协方差函数在空间位置上是“光滑”的或可被1.5阶Sobolev球逼近，假设1）和某些矩条件（假设2）。
关键的空间平滑性假设：均值差函数Δ(t)是空间局部常数的（piecewise constant over local region），并且非零区域的“直径”有一个下界（假设3）——即信号区域至少由m个相邻网格点构成。这是作者给出的一个技术性假设，用于支撑恢复的证明。
备择情形的要求（假设4）：非零区域的信号强度（局部均值）不低于某个阈值。
符号：
p：网格点数（≫ n）。
n：总样本量。
m：每个局部区域的最小尺寸（一个整数值）。
Δ(t)：潜在均值差函数。
T_p：检验统计量。
z_α：Gumbel分布的1-α分位数。

第二步：讲最小内核¶

最简特例：假设数据定义在一维直线[0,1]上，p个网格点均匀分布在[0,1]上，且p很大（p >> n）。μ = 0，零假设H₀: Δ(t) ≡ 0。随机误差ε_i, ε'_i ~ N(0, σ²I_p)独立同分布（即iid正态且空间独立——这虽然与作者的“空间平滑”假设矛盾，但在零假设下允许简化）。这是论文理论的一个退化情形，但足以展示其核心思路。

核心问题转化为：给定两组p维正态样本，检验它们的均值向量是否全为零。

构造检验统计量的过程是（引自论文第2节）：

局部平均：对每个网格点j，考虑以j为中心、大小为h的“窗口”W_j(h)。计算窗口内所有网格点的样本均值差（score）：
\[\bar{Y}_{j, h} = \frac{2}{n}\left(\sum_{i=1}^{n/2} Y_{i, \text{window}} - \sum_{i=1}^{n/2} X_{i, \text{window}}\right)\]
其中Y_{i, window}是取窗口内所有坐标的均值（一个标量）。
归一化：计算该窗口下均值的方差估计（由全部样本的窗口内方差给出），得到标准化统计量：
\[Z_{j, h} = \frac{\bar{Y}_{j, h}}{\hat{\sigma}_{j, h}}\]
多尺度聚合：对每个位置j，取所有窗口大小h的标准化统计量的最大值作为该位置的“激活”指标；然后再对所有j取最大值：
\[T_p = \max_{j} \max_{h} Z_{j, h}\]
零假设分布：证明在H₀下，\(T_p\)（经一个已估计的归一化因子调整后）趋于一个Gumbel极值分布。

在这个最简例子下，我们要证的内容是：\(\max_{j} \max_{h} Z_{j, h}\)的渐近分布是Gumbel分布的。

为什么这个例子就足以支撑论文的框架？因为本文的核心创新就在于用“空间聚合”替代了原有max-type检验中的“单点最大化”，从而实现对局部但连续的信号区域的更高检测效。在最简正态且空间独立的情形下，窗口内的平均等价于对相邻独立随机变量取平均——这依然构成了一个新的序列，且在最大型检验的框架下，其最大值的极值分布理论（经适当归一化后）可以基于传统的极值理论结果推导出来。论文的一般情形（空间平滑、不独立）只是在这个内核上增加了用Walsh基展开或局部加权近似的步骤去“解耦”空间依赖性。

一句话概括：这篇论文的数学内核是：在一组经过局部加权平均后的、具有空间依赖性的高维p值序列上，证明这个序列的“最大值”（多尺度最大化）在零假设下趋于Gumbel分布，同时证明在稀疏备择下，信号区域恰好对应最大值所在的位置。

这个内核与一般情形的连接¶

在一维情形下，空间平滑性相当于说“相邻位置的值相关”——在零假设下，通过一个基于Walsh基（或类似正交基）的变换，可以将空间相关的p维向量近似转化为一组近似独立的系数，然后对其用极值理论（引理1-5）。支撑恢复的证明需要依赖“局部常数”假设（假设3）以保证信号区域有足够多的连续高度活跃的网格点，这些网格点起“重复验证”作用，足以抵御噪声的极值波动。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在高维平滑图像数据的双样本（及多样本）设定下，研究零假设\(\Delta(t) = 0\)的检验问题，以及备择假设下非零支撑集的恢复（support recovery）问题——即既“检测差异是否存在”，又“找出差异在哪里”。
核心工具/方法：基于多尺度自适应权重（Multiscale Adaptive Test, MAT）构造一个统计量\(T_p\)，其通过对每个空间位置在不同尺度（窗口大小）下的局部均值差异取标准化后的最大值，再在所有位置上取最大值得到一个极值型统计量。核心理论工具包括：Gumbel极值分布理论、Walsh基近似（或类似空间平滑基函数）、以及空间平滑性假设下的局部常数模型。
主要结论：在零假设下，\(T_p\)（经缩放后）渐近收敛于Gumbel极值分布；在稀疏备择假设下，检验的效力（power）以概率趋于1（在信号强度满足一定下界时），同时可以概率趋于1精确恢复所有非零支撑区域（即支撑恢复一致性）。

关键设定与假设¶

（以下补充第二节最小记号中未提及的关键假设）

假设1（观测的平滑性）：图像函数Y_i(·)和X_i(·)属于某个Sobolev球，该球包含在1.5阶Sobolev球（或更一般的、具有紧支撑的正交基展开的设定）之内。这使得Walsh基或小波基系数能快速衰减，从而可以用一个“截断”基逼近。这一假设是“平滑性”的数学形式化。
假设2（零假设与势分析）：在零假设下，随机误差序列ε_i满足：均为零均值、协方差函数为Σ(s, t)（位于Ω上的正定核），且满足某些矩条件（例如，某个四阶矩存在且有限）。此外，协方差的谱分解可以用一个有限维近似（引理1的表述）。
假设3（支撑恢复）：非零区域（即Δ(t) ≠ 0）是“局部常数”的，且被分解为若干个不相交的连通的“局部区域”，每一区域的大小（直径）至少包含m个网格点。m必须随着p和n增加而增长，以满足信号强度下界（假设4）。
假设4（信号强度下界）：在每个局部非零区域内，均值差的局部平均（在窗口h内）不得低于某个阈值——该阈值由空间平均大小、样本量和p的函数给出，以确保极值概率可以趋于1。

与已有文献的对比：

相比Cai et al. (2013) 的max-type检验：本文的假设要求空间平滑性（Sobolev），从而允许使用局部平均。Cai等人不要求任何空间结构（允许任意协方差），但代价是检验统计量对连续信号不“整合信息”。
相比Zhu et al. (2014) 的MAT：本文增加了假设3（局部常数区域尺寸）和假设4（信号强度），并在此基础上建立了Gumbel极限的严格证明。

主要结果¶

定理1（极限分布）：在假设1-2下，令\(T_p\)为检验统计量（经适当的归一化因子\(a_p, b_p\)调整后），当\(\min(n_1, n_2) \to \infty\)且\(\log p / \min(n_1, n_2) \to 0\)且p → ∞，有

\[P\left(\frac{T_p - b_p}{a_p} \leq x \right) \to \exp\left(-e^{-x}\right)\]

即渐近服从标准Gumbel分布。

直觉：每个局部均值\(Z_{j, h}\)在零假设下趋近于标准正态，其最大值（对所有j和h）经过归一化后，根据经典的极值理论（Gnedenko, 1943; Leadbetter et al., 1983）趋于Gumbel分布。本文的复杂之处在于，这些\(Z_{j, h}\)之间存在依赖——但通过Walsh基展开近似为独立组件，证实了依赖并不改变极值指数的结论（引理3-5）。

定理2（功率渐近）：在假设1-2和4下，如果非零区域的总容量\(S\)（对应信号强度）满足一定下界条件，那么检验的功率：\(P( \text{拒绝} H_0) \to 1\)。

必要条件：\(n^{-1/2} S \to \infty\)（即信号强度足够强，足以克服极值阈值）。这对应着“稀疏但强信号”的设定。

定理3（支撑恢复一致性）：在假设1-4下，令\(\hat{S} = \{j: \max_h |Z_{j, h}| > \text{某阈值}\}\)为估计的支撑集。当样本量足够大时，有

\[P(\hat{S} = S_0) \to 1,\]

其中\(S_0\)是真实非零支撑集。精确性要求信号区域满足假设3（局部常数区域足够大）和假设4（信号强度足够强）。

直觉：在有信号的位置，所有h窗口下的\(Z_{j, h}\)都很大，使得最大值高于阈值；而对纯噪声区域，所有窗口下的\(Z_{j, h}\)的极值受Gumbel分布的阈值控制，因此错误发现趋于0。支撑恢复的“完整性”依赖于信号区域的空间连续性。

证明路线与技术技巧（理论型）¶

整体路线（3-5步）：

将空间依赖数据转化为近似独立基系数：首先，使用Walsh基（一种正交基）展开图像函数。在高维设定下，由于假设1（平滑性），p维观测矩阵可以被“截断”到一个维度d ≪ p的基系数上，这些基系数的协方差阵可以通过谱分解近似对角化（引理1和引理2）。作者论证：在Walsh基下，原始空间相关的p维向量可以近似由一个更小维度d的独立（或近似独立）系数向量表示。
将局部均值统计量转化为基系数的线性组合：对每个位置j和窗口h，其局部均值Z_{j, h}实际上是基系数的一个加权线性组合。由于基的正交性，这些线性组合可以表示为独立随机变量的加权和。
利用极值理论分析最大值：在零假设下，所有Z_{j, h}构成一个高斯极值场（Gaussian extreme field）。传统的极值理论适用于“独立同分布”样本，而这里Z族之间存在复杂依赖。作者的关键突破是引理4：他们证明了，在适当的归一化下，max_{j, h} Z_{j, h}与一个由近似独立的高斯变量（每个对应一个基系数）的极值“统计等价”——依赖不改变极值指数的增长速率。这一结果依赖于平滑假设（基系数衰减率），使后续能用标准的极值分析（引理5）得到Gumbel分布。
支撑恢复的证明：这部分独立于检验部分。在精确恢复的设定下，使用“局部常数区域”（假设3）来构造一个“多数投票”机制：如果某个位置j属于真信号区域，那么其邻域中绝大多数位置的Z值都会超过阈值；如果属于噪声区域，由于极值分布的性质（精确率可以趋于1），绝大多数位置的Z值都会低于阈值。因此可以通过计数超过阈值的邻居数来精确判定。这本质上是一个空间多数投票 + Bonferroni-type阈值的论证（定理3的陈述）。

关键跳跃点：

Lemma 1-2 到 Theorem 1 的推导：这是最吃功夫的地方。将空间相关过程解耦为独立系数并保留极值指数，作者利用了Walsh基系数的近似马氏性（实际上是一个更弱的依赖衰减条件），这是一个精细的技术处理。如果没有这个解耦，经典的极值理论只能处理独立情形，而无法用在依赖的p维数据上。文中作者通过大量引理（2-5）来一步步收紧上界和下界。
支撑恢复的证明力度：假设3和4的结合非常专业——信号区域必须足够大且“均匀”。如果信号区域是稀疏的岛状而不是较连续的斑块，那么支撑恢复可能不精确。作者通过证明每个信号区域至少包含m个网格点（m与n和p有关）来规避这个问题。

技术技巧点名：

Walsh基分解：用于将平滑函数空间映射到一个有限维的、近似正交的基系数空间。这是处理空间依赖的一个标准但有力的工具。
高三阶矩的极值理论：作者在处理依赖结构时用到了标准化Gauss极值的Tail bound，这是经典极值理论的一个标准结果。
Borel-Cantelli引理：用于支撑恢复的“几乎必然”性质（概率趋于1）。
Hotelling-Lawley统计量的缩写：在多样本ANOVA扩展中用到。
局部局部（local-to-local）分析的“断裂点”：作者用了一个“Glivenko-Cantelli类”的概念来证明经验分布函数的均匀收敛，但这在技术上并未被显著强调——大概率只是常规的实证过程分析。

真实例子与应用¶

论文包含一个真实数据例子：来自“Alzheimer’s Disease Neuroimaging Initiative (ADNI)”的MRI脑图像数据集。

使用的数据：两组受试者——阿尔茨海默病（AD）患者组和控制组（CN），每组各有约50人（总体约100人）。每个受试者的MRI扫描被配准到标准空间，并提取了皮层厚度（cortical thickness）和/或体素级脑灰质密度（voxel-based morphometry, VBM），数据格式为三维网格图像（例如，约2毫米全脑分辨率，约10^5个体素—数量级与p >> n相符）。
方法应用：对两组样本（AD vs CN）在每个体素上检验均值差异，并使用MAT方法进行检验与支撑恢复。作者报告了检测出的显著差异区域（主要在颞叶和海马体区域，符合AD的已知病理），并将其与非多尺度方法（即仅使用单个体素，不做空间聚合的max-type检验）进行了比较。
结果：MAT方法比非多尺度方法检测出更多、更大的连续显著区域，而后者由于忽略了空间信息，只检测到一些零星的高强度信号点。
这个例子的目的：① 验证MAT在实际应用中的表现优于忽略空间信息的max-type检验；② 展示支撑恢复（识别出皮层萎缩区域）的实用性——医生看到的是连续斑块，而不是孤立点，更有临床解释意义。

🔎 结论是否比证明窄¶

定理3（支撑恢复） 中，作者明确使用了“若假设1-4成立”的条件。假设3（局部常数区域尺寸）在实际中如何验证？图像数据中“真实”信号区域的形态很难确保是完全局部常数。作者在例子的讨论部分提到了这是一个近似，但未证明该假设的违反会导致支撑恢复的失败。这是一个窄的实际适用场景。
论文的“扩展到多样本ANOVA”部分（Section 4.2）的证明明显比双样本部分弱——作者主要陈述了扩展公式，但未提供对应的Gumbel极限定理和支撑恢复定理的完整证明。这暗示了该部分可能是“概念上的推广”而非严格的定理化拓展——这是一个值得研究者去验证的点。

四、开放问题（点到为止）¶

扎根于本文的具体语句：

非图像数据的泛化：作者承认“the method is designed for image data with intrinsic smoothness” (Section 5, Limitation)。是否可以将Walsh基近似推广到更一般的图结构数据（例如脑网络、社交网络）？这需要重写假设1和引理1-2。一个具体的攻入点是：在图数据上构造一个类似“局部平均”的滤波器，并证明其在该图的最小特征值条件下也有极值极限——这是从本文的主要定理推广的一个自然但非平凡的问题。
最优功率的确认：本文定理2给出了一个“充分条件”使得功率趋于1。但它没有给出power的精确速率或minimax最优性。具体地，定理2中的条件 \(n^{-1/2} S \to \infty\) 是否是达到minimax最优功率的充要条件？用户（陈星宇）的very_familiar工具（minimax bounds）可以直接用于验证这一点——这是一个立即可做的问题：只需写出在本文设定下的信号区域形成的“dense cluster”模型，并推导其minimax检测边界，再与定理2的充分条件对比。
计算与统计的权衡：论文中“多尺度”的尺度数量是固定的多项式量级。而在实际中（p达到10^5个网格点），强行对所有尺度和所有位置求最大值会导致计算量上升。虽然没有明显的“计算限制”问题，但作者没有讨论可能的稀疏尺度选择或贝叶斯自适应方法。一个更深刻的问题是：当p极大时（如10^7个voxel，如高分辨率三维MRI），本文的方法会面临计算瓶颈（需要计算约p个窗口、每个窗口约O(p)个Z值）。是否存在一种计算上可行的近似（例如使用FFT或随机化方法），仍能保持Gumbel分布的极限性质？这一点可连接到研究者感兴趣的“统计—计算权衡”主题——不过请注意，本文的设定并不天然产生“硬计算问题”，只是大规模的数值问题。
多重检验调整：本文的方法使用一个全局Gumbel阈值来控制family-wise error rate (FWER)。但在实际应用中，研究者往往更关心FDR控制（如Benjamini-Hochberg procedure）。能否将本文的局部检验力转化为FDR控制框架？论文在结论中简要提到这一点（Section 5, “future work includes... FDR control”），但没有具体展开。这是一个开放的、从应用角度看有意义的拓展问题。

提醒：要确认上述问题是否为真正的gap，建议陈星宇搜索该领域的上下文工作：搜索“multiscale adaptive test + FDR”、“minimax optimal detection with spatial smoothness”等关键词，并检查2021-2025年间的相关综述——如果多篇独立文献都指向同样的缺口，那就是共识的gap（值得投入）；如果彼此观点矛盾，反而是机会。

Maintained by 陈星宇 · Homepage · Source on GitHub