跳转至

Asymptotic Bayes Optimality Under Sparsity of the Gavrilov-Benjamini-Sarkar Step-Down Testing Procedure

作者: Prasenjit Ghosh, Arijit Chakrabarti
主题: 数理统计 / 假设检验
相关性: 8/10
链接: https://arxiv.org/abs/2607.03719

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稀疏信号发现中的多重假设检验，核心问题是：在大量候选假设中只有极少数是真实信号（稀疏性）时，如何设计一个既能控制错误发现率（FDR）、又能在决策理论意义下（贝叶斯风险）接近最优（即“贝叶斯Oracle”）的检验过程。该方向当前已从单纯的FDR控制（Benjamini-Hochberg过程）发展到对其渐近决策理论最优性的刻画，特别是“稀疏性下的渐近贝叶斯最优性”（ABOS）这一概念。

发展脉络（history）

  1. 奠基工作：FDR控制与BH过程。Benjamini和Hochberg (1995) 提出了BH逐步向上过程，证明了其在独立p值下控制FDR。这为大规模多重比较提供了比FWER更宽松、更实用的框架。随后，Gavrilov, Benjamini, Sarkar (2009) 提出了GBS逐步向下过程，其临界常数 \(c_i = i\alpha_m / (m+1-i(1-\alpha_m))\) 旨在比BH过程有更高功效，并证明了其在独立p值下控制FDR。GBS过程是本文的研究对象。

  2. 主要进展：ABOS概念的引入与BH过程的ABOS证明。Bogdan, Chakrabarti, Frommlet, Ghosh (2011) 在稀疏高斯序列模型下，正式定义了ABOS（贝叶斯风险与Bayes Oracle风险之比趋于1），并证明了BH过程和Bonferroni校正在特定稀疏渐近框架下具有ABOS性质。他们的证明核心是将BH的随机拒绝阈值近似为一个确定性阈值（阈值局部化）。这为FDR过程提供了决策理论基础。

  3. 当前Frontier：贝叶斯收缩先验与更精细的最优性。后续工作将ABOS分析扩展到由连续收缩先验（如horseshoe先验）诱导的贝叶斯检验规则。Datta and Ghosh (2013), Ghosh et al. (2016), Ghosh and Chakrabarti (2017) 等证明了一类“单群全局-局部收缩先验”在稀疏假设下也能达到ABOS。更近期的进展包括：Abraham, Castillo, Roquain (2024) 建立了稀疏序列的sharp多重检验边界（FDR+FNR风险的最小最大分离率），Paul, Ghosh, Chakrabarti (2025) 则证明了单群收缩先验的sharp渐近最小最大性。这些工作将最优性从“渐近等价”推进到“精确常数”层面。

  4. 本文的位置：本文填补了GBS过程在ABOS性质上的空白。尽管GBS过程在有限样本中表现优异（Gavrilov et al., 2009），且其依赖感知变体（MRD-GBS）在模拟中展现出近Oracle行为（Ghosh and Chakrabarti, 2026b），但其渐近决策理论性质一直未被证明。本文通过直接分析贝叶斯风险（而非阈值局部化），首次证明了GBS过程在Bogdan et al. (2011) 的稀疏渐近框架下具有ABOS性质。

子线索聚类

这些被引文献大致落在三条子线索上：

  • 线索一：FDR控制过程的ABOS性质。核心是证明像BH、Bonferroni、GBS这类基于p值的FDR控制过程，在稀疏假设下其贝叶斯风险能否渐近匹配Bayes Oracle。代表工作：Bogdan et al. (2011)（BH和Bonferroni的ABOS）、本文（GBS的ABOS）。这条线索的瓶颈在于，证明方法高度依赖于过程的特定结构（如BH的阈值可局部化，GBS的逐步向下结构需要新的不等式）。

  • 线索二：贝叶斯收缩先验诱导的检验规则的ABOS与最小最大性。核心是研究horseshoe等连续收缩先验在稀疏问题中的决策理论最优性。代表工作：Datta and Ghosh (2013), Ghosh et al. (2016), Ghosh and Chakrabarti (2017), Paul and Chakrabarti (2025a, 2025b), Paul, Ghosh, Chakrabarti (2025)。这条线索更关注先验的构造和性质，而非特定的FDR控制过程。

  • 线索三：多重检验的sharp边界与最小最大分离率。核心是刻画在FDR+FNR风险下，稀疏信号能被可靠检测的精确条件（信号强度、稀疏度）。代表工作：Abraham, Castillo, Roquain (2024)。这条线索更接近信息论和最小最大理论，为所有过程提供了一个不可达的下界。

核心问题与瓶颈

这个方向在追问的核心问题包括： 1. 哪些多重检验过程具有ABOS性质？ 目前已知的只有BH、Bonferroni、以及一些贝叶斯过程。GBS是第一个被证明具有ABOS的逐步向下过程。 2. ABOS的证明能否不依赖阈值局部化？ 本文提供了一个肯定的答案，通过直接风险分解和信号交叉论证，为分析其他逐步向下过程开辟了新路径。 3. 在依赖结构下，ABOS性质是否仍然成立？ 这是本文在讨论部分明确提出的开放问题。在依赖下，Bayes Oracle本身的结构都会变得复杂，目前几乎没有理论结果。 4. 能否从ABOS（渐近等价）推进到sharp最小最大性（精确常数）？ 这是当前最前沿的问题，Paul et al. (2025) 对贝叶斯过程取得了进展，但对GBS过程尚未解决。

⚠️ 作者的framing

  • 作者把缺口frame成什么？ 作者将缺口frame为：尽管GBS过程在有限样本中表现优异且应用广泛，但其“渐近决策理论行为”未知。作者将其ABOS证明定位为“显然的下一步”，因为BH的ABOS已被证明，而GBS是BH最突出的替代品之一。作者强调，BH的证明方法（阈值局部化）不适用于GBS的逐步向下结构，因此需要全新的技术（移位顺序统计量不等式 + 信号交叉论证）。这使得本文的贡献不仅是结果，更是方法论上的创新。

  • 哪些竞争路线被他淡化或回避了？ 作者淡化了贝叶斯收缩先验这条路线。虽然引用了大量相关文献，但本文研究的GBS过程是一个频率学派FDR控制过程，而非贝叶斯过程。作者没有讨论GBS过程与horseshoe等贝叶斯过程在ABOS常数上的优劣比较，也没有讨论在更一般的非高斯模型下GBS的ABOS性质。

  • 什么明显该被引/该存在、却没出现在intro里？ 作者在讨论部分提到了“sharp asymptotic minimaxity”作为未来方向，但intro中并未引用或讨论Abraham, Castillo, Roquain (2024) 的sharp边界结果。该结果给出了所有过程在FDR+FNR风险下的最小最大分离率，是评估GBS过程是否“sharp”的天然基准。作者在intro中只引用了Abraham et al. (2024) 作为“notable developments”之一，但未将其与本文的ABOS结果进行对比或关联。这是一个值得研究者去查的问题：GBS过程是否也能达到这个sharp边界？

张力

未见明显对立引用。所有被引工作基本都支持“在独立稀疏高斯模型下，某些FDR控制过程或贝叶斯过程具有渐近最优性”这一共识。不同工作之间的差异主要体现在方法（频率学派vs贝叶斯）、最优性标准（ABOS vs minimax）和证明技巧上，而非结论上的矛盾。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号：

    • \(m\)：假设检验的总数。
    • \(X_i\)：第 \(i\) 个观测值，是随机变量。
    • \(\mu_i\)：第 \(i\) 个未知均值，是参数/estimand。
    • \(\sigma^2\)：已知的观测方差，本文设为1。
    • \(p_m\)：非零效应（信号）的比例，是参数，随 \(m\) 变化且 \(p_m \to 0\)（稀疏性）。
    • \(\psi_m^2\)：非零效应的方差，是参数，随 \(m\) 变化且 \(\psi_m^2 \to \infty\)（信号强度增长）。
    • \(\nu_i\)：潜在指示变量，\(\nu_i=0\) 表示零假设为真，\(\nu_i=1\) 表示备择假设为真。这是潜在量。
    • \(H_0\)：所有零假设的集合。\(H_0^c\)：所有备择假设的集合。
    • \(\delta_{0,m}, \delta_{A,m}\)：分别代表一次假发现（Type-I error）和一次假未发现（Type-II error）的损失。
    • \(f_m = (1-p_m)/p_m\)：稀疏度参数。
    • \(\delta_m = \delta_{0,m}/\delta_{A,m}\)：损失比。
    • \(V_m, T_m\)：分别代表假发现的数量和假未发现的数量。
    • \(R_m\)：贝叶斯风险，\(R_m = \delta_{0,m}E(V_m) + \delta_{A,m}E(T_m)\)。
    • \(P_i\)：第 \(i\) 个检验的双侧p值。
    • \(P_{(1)} \le \dots \le P_{(m)}\)：排序后的p值。
    • \(c_i = i\alpha_m / (m+1-i(1-\alpha_m))\)：GBS过程的临界常数。
    • \(R_m^{GBS}\)：GBS过程拒绝的假设个数。
    • \(\alpha_m\)：名义FDR水平，随 \(m\) 变化。
    • \(r_{\alpha_m} = \alpha_m/(1-\alpha_m)\)。
    • \(u_m = \psi_m^2\)。
    • \(v_m = u_m f_m^2 \delta_m^2\)。
    • \(C\)：一个常数，\(0 < C < \infty\)，出现在渐近框架假设中。
    • \(q^* = 2\bar{\Phi}(\sqrt{C})\)：Bayes Oracle的渐近Type-II错误概率。
    • \(K_m = |H_0^c|\)：真实信号的总数，是随机变量。

  • 模型：

    • 数据生成机制：观测数据 \(X_i\) 独立地服从正态分布 \(X_i | \mu_i \sim N(\mu_i, 1)\)。
    • 先验模型（两群组模型）：未知均值 \(\mu_i\) 独立同分布地来自一个“spike-and-slab”先验：
      \[\mu_i \sim (1-p_m) \delta_{\{0\}} + p_m N(0, \psi_m^2)\]
      其中 \(\delta_{\{0\}}\) 是在0处的点质量。这意味着每个 \(\mu_i\) 要么是0（概率 \(1-p_m\)），要么来自一个方差很大的正态分布（概率 \(p_m\)）。
    • 要估的对象：我们不需要估计 \(\mu_i\) 的具体值，而是要检验 \(H_{0i}: \mu_i = 0\) vs \(H_{Ai}: \mu_i \neq 0\)。我们评估一个检验过程好坏的标准是它的贝叶斯风险 \(R_m\)。

  • 可观测数据：

    • 可观测：我们能观测到的是 \(X_1, \dots, X_m\)，以及由此计算出的p值 \(P_1, \dots, P_m\)。
    • 潜在/不可观测：我们无法直接观测到 \(\mu_i\) 和 \(\nu_i\)。我们也不知道 \(p_m\) 和 \(\psi_m^2\)。这些潜在量和未知参数的存在，使得我们无法直接使用Bayes Oracle（它需要知道 \(p_m, \psi_m^2, \delta_m\)）。我们只能通过假设（如稀疏性、信号强度增长）来推断检验过程的渐近性质。

第二步：讲最小内核

本文的核心是证明：在稀疏渐近框架下，GBS过程的贝叶斯风险与Bayes Oracle的贝叶斯风险之比趋于1。

最简特例：考虑一个极度简化的情形，其中所有参数都按特定速率变化，使得问题退化为一个“信号强度与稀疏度平衡”的临界点。

  • 设定：假设 \(m \to \infty\)，\(p_m \to 0\) 但 \(mp_m \to \infty\)（信号个数趋于无穷）。假设信号强度 \(\psi_m^2 \to \infty\)，且损失比 \(\delta_m\) 也适当变化，使得关键参数 \(v_m = \psi_m^2 f_m^2 \delta_m^2 \to \infty\)。最关键的是，假设 \(\log(v_m) / \psi_m^2 \to C\)，其中 \(0 < C < \infty\)。这个条件意味着信号强度（\(\psi_m^2\)）和稀疏度（通过 \(f_m\)）以及损失比（\(\delta_m\)）以某种方式“平衡”，使得Bayes Oracle的Type-II错误概率收敛到一个非平凡常数 \(q^* = 2\bar{\Phi}(\sqrt{C})\)。

  • 核心思路：在这个特例下，要证明ABOS，等价于证明：

    1. Type-I错误可忽略：GBS过程产生的假发现数量 \(V_m^{GBS}\) 的期望是 \(O(\alpha_m m p_m)\)。如果名义FDR水平 \(\alpha_m\) 衰减得足够快（例如 \(\alpha_m \to 0\) 且 \(\alpha_m \delta_m \to 0\)），那么假发现带来的风险 \(\delta_{0,m} E(V_m^{GBS})\) 相对于主导项 \(m p_m \delta_{A,m}\) 是 \(o(1)\) 的。
    2. Type-II错误接近Oracle：GBS过程产生的假未发现数量 \(T_m^{GBS}\) 的期望渐近地不超过 \(m p_m (1 - q^* + \epsilon)\)，其中 \(\epsilon\) 可以任意小。而Bayes Oracle的假未发现数量期望是 \(m p_m (1 - q^*) (1+o(1))\)。因此，GBS的Type-II错误风险与Oracle的Type-II错误风险渐近相等。

  • 关键想法：如何证明第2点？作者没有去近似GBS的随机拒绝阈值，而是直接分析排序后的信号p值（来自备择假设的p值）。他们证明了一个“信号交叉”性质：在排序的早期，信号p值会“压倒性地”小于GBS的临界常数，从而保证GBS过程会拒绝足够多的信号。这个性质依赖于两个引理：

    • 确定性信号交叉（Lemma 2）：对于任意小的 \(\epsilon > 0\)，当 \(m\) 足够大时，信号p值的分布函数 \(G_m(t)\) 在 \(t \le (q^* - \epsilon) \alpha_m p_m\) 的范围内，满足 \(G_m(t) \ge (1+\eta) t / (\alpha_m p_m)\)。这意味着信号p值比均匀分布更倾向于取小值，且这种倾向性有一个固定的乘性优势。
    • 初始交叉条件（Lemma 3）：第一个GBS临界常数 \(c_1\) 足够大，以至于期望的信号p值个数 \(m p_m G_m(c_1) \to \infty\)。这保证了信号交叉在排序的最开始就发生了。

    结合这两个引理，可以证明（Lemma 4）：以概率趋于1，GBS过程至少会拒绝 \(r_m = \lfloor (q^* - \epsilon) m p_m \rfloor\) 个假设。由于假发现的数量可以忽略，这意味着它至少拒绝了 \(r_m\) 个信号，从而假未发现的数量不超过 \(K_m - r_m \approx m p_m (1 - q^* + \epsilon)\)。

一句话总结：本文的核心数学贡献是，通过一个移位顺序统计量的有限样本不等式（控制Type-I错误）和一个信号交叉论证（控制Type-II错误），绕过了传统阈值局部化的方法，直接证明了GBS过程在稀疏渐近框架下的贝叶斯风险与Oracle风险渐近相等。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在稀疏高斯序列模型和spike-and-slab贝叶斯框架下，研究了Gavrilov-Benjamini-Sarkar (GBS) 逐步向下多重检验过程的渐近贝叶斯最优性（ABOS）性质。
  2. 核心工具/方法：通过直接分解贝叶斯风险为假发现和假未发现两部分，分别进行控制。假发现部分依赖一个新的移位顺序统计量有限样本不等式；假未发现部分依赖一个信号交叉论证，该论证利用了GBS过程的逐步向下结构和信号p值分布的确定性优势。
  3. 主要结论：在Bogdan et al. (2011) 的稀疏渐近框架下，并满足特定的GBS校准与兼容条件，GBS过程的贝叶斯风险与Bayes Oracle的贝叶斯风险之比趋于1，即GBS过程具有ABOS性质。

关键设定与假设

在第二节最小记号的基础上，补全完整设定：

  • 模型：稀疏高斯序列模型 \(X_i | \mu_i \sim N(\mu_i, 1)\)，先验为两群组模型 \(\mu_i \sim (1-p_m)\delta_{\{0\}} + p_m N(0, \psi_m^2)\)。
  • 渐近框架（Assumption 1）：
    • (i) \(p_m \to 0\)：稀疏性。
    • (ii) \(m p_m \to \infty\)：信号个数趋于无穷，保证有足够多的信号可以被检测。
    • (iii) \(u_m = \psi_m^2 \to \infty\)：信号强度趋于无穷。
    • (iv) \(v_m = u_m f_m^2 \delta_m^2 \to \infty\)：一个复合参数趋于无穷，确保Oracle阈值有意义。
    • (v) \(\log(v_m) / u_m \to C\)，\(0 < C < \infty\)：核心平衡条件。它决定了Bayes Oracle的渐近Type-II错误概率 \(q^* = 2\bar{\Phi}(\sqrt{C})\) 是一个非平凡常数（介于0和1之间）。这个条件比“信号强度足够强”更精细，它刻画了信号强度与稀疏度/损失比的平衡点。
  • GBS校准与兼容条件（公式15）：
    • \(\alpha_m \to 0\)：名义FDR水平趋于0。
    • \(\alpha_m f_m \to \infty\)：名义FDR水平衰减得比稀疏度慢，确保GBS过程有足够的“穿透力”去发现信号。
    • \(2\log(f_m / r_{\alpha_m}) / u_m \to C\)：关键校准条件。它将GBS过程的参数（\(\alpha_m\)）与模型参数（\(p_m, \psi_m^2\)）和损失比（\(\delta_m\)）联系起来，确保GBS的临界常数序列与Bayes Oracle的阈值在渐近意义下“对齐”。这是本文证明能够成立的核心假设。
    • \(\log\{1/(r_{\alpha_m} \delta_m)\} / u_m \to 0\)：一个辅助条件，用于确保假发现部分可忽略。
  • 相比已有文献的放宽/强化：相比Bogdan et al. (2011) 对BH过程的ABOS分析，本文的假设在结构上是类似的（都需要一个平衡条件和校准条件），但具体形式不同，因为GBS的临界常数不同。本文没有放宽或强化这些假设，而是为GBS过程找到了其对应的“自然”校准条件。

主要结果

本文的核心结果是Theorem 1（GBS过程的ABOS性质）。

  • 定理陈述：在Assumption 1和GBS校准与兼容条件（\(\alpha_m \to 0, \alpha_m \delta_m \to 0, \alpha_m f_m \to \infty\)，以及公式15）下，有 \(R_m^{GBS} / R_m^{BO} \to 1\)。
  • 直觉：这个定理表明，尽管GBS过程是一个频率学派过程（基于FDR控制），但在稀疏渐近框架下，它的决策理论表现（贝叶斯风险）与理论上最优的贝叶斯过程（Bayes Oracle）一样好。这为GBS过程的广泛应用提供了强有力的理论支撑。
  • 必要条件：定理成立依赖于一系列假设，特别是平衡条件（Assumption 1(v)）和校准条件（公式15）。这些条件并非总是成立，它们刻画了GBS过程达到ABOS的“有效区域”。例如，如果信号强度增长太快（\(C \to \infty\)），那么所有过程都能完美检测信号，ABOS性质变得平凡；如果信号强度增长太慢（\(C \to 0\)），则任何过程都无法有效检测信号。
  • 解决的技术难点：主要难点在于GBS过程的逐步向下结构使得其随机拒绝阈值难以近似。作者通过直接风险分解和信号交叉论证绕过了这个难点，这是本文最重要的技术贡献。

证明路线与技术技巧

  • 整体路线：

    1. Type-I错误控制：利用Lemma 1（移位顺序统计量不等式）证明Corollary 1，即 \(E(V_m^{GBS}) = O(\alpha_m m p_m)\)。在条件 \(\alpha_m \delta_m \to 0\) 下，假发现风险 \(\delta_{0,m}E(V_m^{GBS}) = o(m p_m \delta_{A,m})\)，相对于Oracle风险可忽略。
    2. Type-II错误控制：这是证明的核心，分为三步： a. 确定性信号交叉（Lemma 2）：证明信号p值的分布函数 \(G_m(t)\) 在 \(t \le (q^* - \epsilon) \alpha_m p_m\) 范围内，满足 \(G_m(t) \ge (1+\eta) t / (\alpha_m p_m)\)。这依赖于Assumption 1和校准条件，通过分析 \(G_m(t)/t\) 的单调性和极限得到。 b. 初始交叉条件（Lemma 3）：证明 \(m p_m G_m(c_1) \to \infty\)，即第一个临界常数 \(c_1\) 处就有足够多的信号p值。这通过分析 \(c_1\) 的渐近行为和Mills ratio下界得到。 c. 经验信号交叉（Lemma 4）：结合Lemma 2和3，利用Chernoff界证明，以概率趋于1，排序后的信号p值 \(Q_{(j)}\) 会小于GBS临界常数 \(c_j\)，对所有 \(j \le r_m = \lfloor (q^* - \epsilon) m p_m \rfloor\) 成立。这意味着GBS过程至少会拒绝 \(r_m\) 个假设。由此推导出 \(E(T_m^{GBS}) \le m p_m (1 - q^* + \epsilon) + o(m p_m)\)。
    3. 结合上下界：由步骤1和2得到 \(R_m^{GBS} \le R_m^{BO} (1+o(1))\)。又因为Bayes Oracle是最优的，所以 \(R_m^{GBS} \ge R_m^{BO}\)。夹逼得到 \(R_m^{GBS} / R_m^{BO} \to 1\)。

  • 关键跳跃点：

    • Lemma 1的证明：这是整个证明的基石。它通过一个巧妙的归纳法，将 \(n\) 个独立均匀顺序统计量的联合概率上界，转化为一个关于 \(n-1\) 个顺序统计量的类似问题，并利用参数变换（\(k \to k_u, \alpha \to \alpha_u\)）完成了归纳步骤。这个不等式是全新的，且是有限样本的，不依赖于任何渐近近似。
    • Lemma 2的证明：关键跳跃在于将校准条件 \(2\log(f_m/r_{\alpha_m})/u_m \to C\) 转化为 \(2\log(1/(\alpha_m p_m))/u_m \to C\)，从而将GBS的临界常数与Bayes Oracle的阈值联系起来。然后利用正态分布的Mills ratio和 \(G_m(t)/t\) 的单调性，得到了一个均匀的下界。
    • Lemma 4的证明：关键跳跃在于将“GBS过程拒绝足够多假设”这一事件，转化为“排序后的信号p值小于GBS临界常数”这一事件，并进一步转化为“信号p值的计数过程 \(N_1(c_j)\) 超过 \(j\)”。然后利用Lemma 2提供的乘性优势，通过Chernoff界控制大偏差概率。

  • 技术技巧点名：

    • 移位顺序统计量不等式：Lemma 1，用于控制Type-I错误。这是本文的核心技术贡献。
    • 信号交叉论证：Lemma 2, 3, 4，用于控制Type-II错误。这是对逐步向下过程的一种新颖分析框架。
    • Chernoff界：用于控制二项分布计数 \(N_1(c_j)\) 的尾部概率，将确定性优势转化为高概率事件。
    • Mills ratio：用于近似正态分布的尾部概率，连接p值、分位数和信号强度。
    • 归纳法：用于证明Lemma 1中的移位顺序统计量不等式。

真实例子与应用

本文为纯理论，无实证例子。作者在引言中提到了Ghosh and Chakrabarti (2026b) 的模拟研究，该研究显示MRD-GBS（GBS在依赖结构下的推广）在模拟中表现出近Oracle行为，这为本文的理论结果提供了经验动机，但本文本身不包含任何模拟或数据分析。

🔎 结论是否比证明窄

  • 结论：Theorem 1声称GBS过程在特定渐近框架下具有ABOS性质。
  • 证明的覆盖范围：证明严格依赖于Assumption 1和GBS校准与兼容条件（公式15）。这些条件对参数的变化速率有精确要求。
  • 潜在的泛化/claim：
    • 作者在讨论部分提到“the GBS procedure joins a relatively small collection of practically implementable multiple testing procedures whose Bayes risks asymptotically match that of the Bayes Oracle under sparsity”。这个claim是准确的，因为证明严格覆盖了所描述的渐近框架。
    • 作者提到“the finite-sample power advantage of the GBS procedure is accompanied by optimal asymptotic risk behavior under sparsity”。这个claim需要谨慎理解。ABOS是渐近性质，它不直接保证有限样本下的最优性。虽然模拟（Ghosh and Chakrabarti, 2026b）支持近Oracle行为，但本文的定理本身并未证明有限样本性质。
    • 作者在讨论部分提到“the GBS procedure also possesses a finite-sample decision-theoretic optimality property in the sense of admissibility”，并引用了Ghosh and Chakrabarti (2026a)。这是一个独立的、关于可容许性的结论，与本文的ABOS结论是互补的，但并非由本文证明。
    • 一个值得注意的窄化：ABOS性质是在风险比趋于1的意义下证明的。它没有证明风险差趋于0，也没有证明sharp minimaxity（即风险达到最小最大风险的下界，且常数最优）。作者在讨论部分明确将“sharp asymptotic minimaxity”列为未来方向，说明本文的结论比这个更强的性质要窄。

四、开放问题（点到为止，扎根具体语句）

  1. 依赖结构下的ABOS：本文的ABOS性质仅在独立p值下证明。作者在讨论部分明确指出：“An important direction for future research is the development of decision-theoretic optimality theory for multiple testing procedures under dependence.”（Section 4, 第2段）。要证什么：在已知协方差矩阵 \(\Sigma\) 的多元正态模型下，GBS过程或其变体（如MRD-GBS）是否仍具有ABOS性质？Bayes Oracle本身在依赖下如何定义和刻画？

  2. 其他逐步向下过程的ABOS：作者在讨论部分提到：“the proof strategy developed here may be useful for studying other step-down multiple testing procedures whose random rejection thresholds are difficult to analyze through existing localization arguments.”（Section 4, 第3段）。要证什么：能否将本文的“直接风险分解+信号交叉”框架应用于其他逐步向下过程（如Benjamini-Liu过程）的ABOS分析？

  3. GBS过程的Sharp Minimaxity：作者在讨论部分提到：“It would also be interesting to investigate whether stronger optimality properties, including sharp asymptotic minimaxity, can be established for the GBS procedure under the more refined sparse asymptotic frameworks recently considered in the literature.”（Section 4, 第3段）。要证什么：在Abraham, Castillo, Roquain (2024) 建立的sharp多重检验边界下，GBS过程是否也能达到这个边界（即FDR+FNR风险的最小最大分离率）？这比ABOS（风险比趋于1）更强，要求风险差也趋于0，且常数最优。

  4. 移位顺序统计量不等式的紧性：Lemma 1给出了一个上界 \(E(V_m^{GBS} | K_m = k) \le \alpha_m (k+1)/(1-\alpha_m)\)。这个上界是否是紧的？能否构造一个序列使得该界以概率1达到？或者能否证明一个匹配的下界？这直接关系到本文Type-I错误控制部分的“最优性”。（扎根于Corollary 1的证明和Lemma 1的陈述）。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论