跳转至

Sharp Asymptotic Minimaxity of the Gavrilov-Benjamini-Sarkar Step-Down Testing Procedure in Sparse Gaussian Sequence Models

作者: Prasenjit Ghosh
主题: 数理统计 / 假设检验
相关性: 8/10
链接: https://arxiv.org/abs/2607.05893

一、领域脉络与小综述

这个方向是什么

这个子方向研究的是稀疏高斯序列模型中的多重检验问题，其根本目标是：在信号稀疏（只有少数坐标非零）且信号强度处于检测边界附近时，从决策理论角度（而非仅仅控制FDR）评价一个多重检验过程是否达到了最优的渐近性能。具体来说，它追问的是：一个给定的过程，其最坏情况下的分类错误（如归一化汉明损失）或组合错误率（FDP+FNP）是否能够精确匹配由统计问题本身决定的渐近极小化风险（minimax risk）。当前该方向的成熟度较高，已有精确的渐近极小化基准（Abraham et al., 2024），但该基准的适用范围仍在被逐步扩展。

发展脉络

  1. 奠基工作：FDR框架与稀疏检测边界

    • Benjamini and Hochberg (1995)：提出了FDR（False Discovery Rate）概念，从根本上重塑了大规模多重检验的理论与实践。它提供了一个控制错误发现率的实用框架，但并未直接回答“过程是否最优”的决策理论问题。
    • Abramovich, Benjamini, Donoho, and Johnstone (2005)：首次将FDR控制与稀疏序列模型的渐近极小化最优性联系起来。他们证明，通过适当调节FDR控制参数 \(q_n\)，基于FDR的阈值化过程可以在一个广泛的稀疏参数类上达到渐近极小化风险。这为后续的精确极小化理论奠定了基础。
    • Arias-Castro and Chen (2017)：在稀疏高斯序列模型中，针对组合损失FDP+FNP引入了beta-min框架。他们建立了一个尖锐的二分法：在统一的信号强度阈值以下，没有阈值化过程能实现非平凡的最小化性能；而在阈值以上，适当校准的BH型过程可以达到消失的最小化风险。这标志着从“率最优”向“精确最优”的过渡。

  2. 主要进展：精确渐近极小化基准的建立

    • Abraham, Castillo, and Roquain (2024)：这是本文最核心的基准工作。他们为稀疏多重检验建立了精确的渐近极小化理论。在beta-min框架下，他们证明了归一化汉明损失和组合FDP+FNP损失的渐近极小化风险都由同一个通用常数 \(\bar{\Phi}(b)\) 决定。更重要的是，他们证明了适当校准的BH过程和经验贝叶斯 \(\ell\)-值过程能够自适应地达到这个精确基准。他们还进一步将理论推广到了更一般的异质信号强度类，其中基准由聚合量 \(\Lambda_n(a)\) 刻画。留下的口子：他们的分析依赖于“阈值局部化”技术，即通过定位一个单一的隐式拒绝阈值来分析过程。这自然引出一个问题：对于拒绝规则依赖于整个有序p值序列的step-down过程（如GBS），是否也能达到同样的精确基准？

  3. 当前Frontier：将精确理论扩展到其他过程与视角

    • Ghosh and Chakrabarti (2026b)：建立了GBS step-down过程的渐近贝叶斯最优性（ABOS）。他们证明，在稀疏贝叶斯框架下，GBS过程的风险渐近地匹配了贝叶斯Oracle的风险。这从贝叶斯视角为GBS过程提供了最优性证据。留下的口子：ABOS是贝叶斯最优性，而本文要回答的是其频率学派的渐近极小化最优性。
    • Paul, Ghosh, and Chakrabarti (2025)：证明了一类基于“马蹄铁型”收缩先验的贝叶斯多重检验规则，在适当的信号强度条件下，也达到了Abraham等人建立的精确渐近极小化基准。这进一步巩固了贝叶斯与频率学派最优性之间的联系。
    • 本文 (Ghosh, 2026)：本文填补了上述口子。它证明，经典的GBS step-down过程在beta-min框架和异质信号强度框架下，都达到了Abraham等人建立的精确渐近极小化基准。这使得GBS过程成为极少数同时被证明具有有限样本可容许性、渐近贝叶斯最优性和精确渐近极小化最优性的经典过程之一。

子线索聚类

  1. FDR控制过程的最优性：这条线索研究经典的FDR控制过程（如BH、GBS）是否在更严格的决策理论意义下（如极小化风险、贝叶斯风险）也是最优的。代表工作：Abramovich et al. (2005), Abraham et al. (2024), Ghosh and Chakrabarti (2026b), 本文。
  2. 贝叶斯/收缩先验方法的最优性：这条线索研究由各种收缩先验（如马蹄铁、三参数beta、广义双帕累托）诱导的贝叶斯多重检验规则的渐近最优性。代表工作：Bogdan et al. (2011), Datta and Ghosh (2013), Ghosh et al. (2016), Paul and Chakrabarti (2025), Paul et al. (2025)。
  3. 非参数/分布自由方法：这条线索研究不依赖于特定分布假设（如高斯性）的多重检验方法的最优性。代表工作：Arias-Castro and Chen (2017)（虽然在高斯模型下研究，但其分布自由方法本身是核心）。

这个方向在追问的核心问题

  1. 精确的渐近极小化基准是什么？ 对于给定的损失函数（如汉明损失、FDP+FNP）和参数空间（如beta-min类、异质信号强度类），最优的渐近风险是多少？——已由Abraham et al. (2024)基本解决。
  2. 哪些过程能达到这个基准？ 除了BH和\(\ell\)-值方法，其他经典过程（如GBS、Bonferroni、各种step-down过程）是否也能达到？——本文部分回答了GBS的问题。
  3. 在依赖结构下，这个基准和最优性是否成立？ 当前理论几乎都建立在独立p值的假设上。当存在复杂协方差依赖时，基准会如何变化？哪些过程仍然最优？——这是一个主要的开放瓶颈。
  4. 贝叶斯最优性与频率学派极小化最优性之间是否存在普遍联系？ 对于同一过程，ABOS和渐近极小化性是否总是同时成立？——现有证据（如对BH和GBS）暗示可能存在，但尚未有统一理论。

⚠️ 作者的Framing

  • 作者把缺口frame成什么？ 作者明确指出，Abraham等人（2024）建立的精确极小化基准已被BH和\(\ell\)-值过程达到，但“corresponding results for the GBS procedure have not previously been established”。作者将GBS过程描述为具有“genuinely step-down geometry”，其分析“cannot be deduced directly from existing threshold-localization analyses”。因此，本文的定位是“显然的下一步”：将精确极小化理论从“阈值局部化”过程扩展到“真正step-down”过程。
  • 哪些竞争路线被淡化或回避了？ 作者淡化了依赖结构的问题。全文都建立在独立p值的假设上（GBS过程本身就是在独立假设下被证明控制FDR的）。作者在讨论部分承认这是一个开放问题，但并未在本文中处理。此外，作者回避了与其他step-down过程（如Holm过程、Hochberg过程）的对比，只专注于GBS。
  • 什么明显该被引/该存在、却没出现在intro里？ 作者引用了大量关于BH和贝叶斯方法最优性的工作，但似乎没有引用关于其他step-down过程（如Hochberg的step-up过程，或更一般的step-down过程族）的渐近最优性的研究。如果存在这样的工作，它们可能提供了与GBS不同的分析框架或结论，值得研究者去查证。另外，关于计算-统计权衡的文献（如低度多项式障碍）在此处完全缺席，这可能是因为该问题目前尚未被证明存在计算上的困难。

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，某些过程可以达到精确的渐近最优性”这一结论。主要的张力在于依赖结构下的情况，但本文并未深入探讨。

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：

    • \(n\): 假设总数（维度）。
    • \(s_n\): 真实非零信号的数量（稀疏度），满足 \(s_n \to \infty\) 且 \(s_n/n \to 0\)。
    • \(\theta = (\theta_1, \ldots, \theta_n) \in \mathbb{R}^n\): 未知的均值向量（参数）。
    • \(X_i = \theta_i + \epsilon_i\): 可观测数据，其中 \(\epsilon_i \sim N(0,1)\) i.i.d.（随机变量/样本）。
    • \(H_{0i}: \theta_i = 0\) vs \(H_{1i}: \theta_i \neq 0\): 第 \(i\) 个假设。
    • \(P_i = 2\bar{\Phi}(|X_i|)\): 双边高斯p值（可观测的统计量）。
    • \(P_{(1)} \le \cdots \le P_{(n)}\): 有序p值。
    • \(\varphi = (\varphi_1, \ldots, \varphi_n) \in \{0,1\}^n\): 一个多重检验过程，\(\varphi_i=1\) 表示拒绝 \(H_{0i}\)。
    • \(V(\theta, \varphi) = \sum_{i: \theta_i=0} \varphi_i\): 假阳性数。
    • \(T(\theta, \varphi) = \sum_{i: \theta_i \neq 0} (1-\varphi_i)\): 假阴性数。
    • \(a_{n,b} = \sqrt{2\log(n/s_n)} + b\): beta-min信号强度阈值，\(b \in \mathbb{R}\) 是一个常数（参数）。
    • \(\Theta_b = \{\theta: |S_\theta|=s_n, |\theta_i| \ge a_{n,b} \text{ for all } i \in S_\theta\}\): beta-min参数类。
    • \(\bar{\Phi}(b) = 1 - \Phi(b)\): 标准正态分布的尾概率，是渐近极小化风险基准。
    • \(\alpha_n\): GBS过程的标称显著性水平，满足 \(\alpha_n \to 0\) 且 \(\log(1/\alpha_n) = o(\sqrt{\log(n/s_n)})\)。
    • \(c_j = j\alpha_n / (n+1-j(1-\alpha_n))\): GBS过程的临界常数序列。
    • \(R_n^{GBS} = \max\{r: P_{(j)} \le c_j \text{ for every } 1 \le j \le r\}\): GBS过程的拒绝数。

  • 模型：

    • 数据生成机制：\(X_i \sim N(\theta_i, 1)\)，独立同分布（除均值外）。
    • 统计模型：稀疏高斯序列模型。我们假设 \(s_n\) 已知（或至少其渐近行为已知），但 \(\theta\) 的具体值未知。
    • 已知量：\(n\), 噪声方差为1，\(\alpha_n\)。
    • 待估对象：支持集 \(S_\theta\)（哪些 \(\theta_i\) 非零）。

  • 可观测数据：

    • 研究者实际能观测到的是 \(X_i\)（或等价的 \(P_i\)）。
    • 想要但观测不到的量：真实的 \(\theta_i\) 值，特别是哪些是信号（\(\theta_i \neq 0\)），哪些是噪声（\(\theta_i = 0\)）。我们只能通过假设（如beta-min条件）来刻画信号的性质。

第二步：讲最小内核

本文的核心是证明GBS过程在beta-min类 \(\Theta_b\) 上的归一化汉明风险趋近于 \(\bar{\Phi}(b)\)。其最小内核可以剥离为以下特例：

最简特例：假设所有信号强度都恰好等于检测边界加上一个常数 \(b\)，即对于所有 \(i \in S_\theta\)，\(|\theta_i| = a_{n,b} = \sqrt{2\log(n/s_n)} + b\)。并且，我们只关心归一化汉明损失 \(H(\theta, \varphi) = \frac{1}{s_n} \mathbb{E}_\theta[V + T]\)。

在这个特例下，核心问题退化为：证明GBS过程的归一化汉明风险的上界是 \(\bar{\Phi}(b) + o(1)\)。

核心思路（两步走）：

  1. 假阳性控制（Lemma 2）：证明GBS过程的期望假阳性数 \(\mathbb{E}_\theta[V]\) 是 \(o(s_n)\) 的。这意味着在归一化汉明损失中，假阳性部分可以忽略不计。证明的关键是一个移位次序统计量不等式（Lemma 1），它直接给出了 \(\mathbb{E}_\theta[V] \le \frac{\alpha_n}{1-\alpha_n}(s_n+1) = o(s_n)\)。这个不等式是专门为GBS的临界常数序列设计的，不需要像分析BH那样去定位一个隐式阈值。

  2. 假阴性控制（Lemma 8）：证明GBS过程的期望假阴性数 \(\mathbb{E}_\theta[T]\) 的上界是 \(\bar{\Phi}(b) s_n + o(s_n)\)。这是最核心的难点。证明思路是信号交叉论证（Signal-Crossing Argument）：

    • 确定性交叉（Lemma 6）：首先，在“期望”的意义上，证明对于任何小于 \(\Phi(b)\) 的比例 \(q\)，信号p值落在GBS临界值 \(c_j\) 以下的期望比例，要大于 \(q\)。具体来说，对于 \(j \approx q s_n\)，有 \(\mathbb{E}[N_1(c_j)] \ge (1+\eta) j\)，其中 \(N_1(t)\) 是信号p值小于 \(t\) 的个数。这依赖于折叠正态尾比单调性（Lemma 5）：函数 \(t \mapsto G_\mu(t)/t\) 是单调递减的，其中 \(G_\mu(t)\) 是均值为 \(\mu\) 的p值分布函数。这个性质保证了，如果在一个较大的阈值处信号富集，那么在更小的阈值处信号会更富集。
    • 经验交叉（Lemma 7）：然后，利用Chernoff不等式，证明上述“期望”性质以高概率成立。即，对于 \(j \approx (\Phi(b)-\epsilon) s_n\)，事件 \(\{N_1(c_j) < j\}\) 发生的概率趋近于0。这意味着，以高概率，GBS过程会拒绝至少 \((\Phi(b)-\epsilon)s_n\) 个假设。
    • 整合：由于假阳性可忽略，拒绝的假设几乎都是信号。因此，被漏掉的信号数 \(T \le s_n - (\Phi(b)-\epsilon)s_n + o_p(s_n) = (\bar{\Phi}(b)+\epsilon)s_n + o_p(s_n)\)。取期望并令 \(\epsilon \to 0\)，即得 \(\mathbb{E}_\theta[T] \le \bar{\Phi}(b) s_n + o(s_n)\)。

总结：在这个最简特例下，本文干的事情就是：用“移位次序统计量不等式”控制假阳性，用“信号交叉论证”（基于尾比单调性和Chernoff不等式）控制假阴性，从而证明GBS过程的归一化汉明风险上界是 \(\bar{\Phi}(b)\)。 一般情形（异质信号强度）只是将这个论证中的常数 \(\bar{\Phi}(b)\) 替换为更一般的聚合量 \(\Lambda_n(a)\)。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：本文研究了经典的Gavrilov-Benjamini-Sarkar (GBS) step-down多重检验过程，在稀疏高斯序列模型中，是否达到了由Abraham等人（2024）建立的精确渐近极小化基准。
  2. 核心工具/方法：核心工具是一个移位次序统计量不等式（用于控制假阳性）和一套确定性-经验信号交叉论证（用于控制假阴性），后者依赖于折叠正态尾比单调性和Chernoff不等式。
  3. 主要结论：GBS过程在beta-min框架和异质信号强度框架下，对于归一化汉明损失和组合FDP+FNP损失，都是精确渐近极小化的。这意味着其最坏情况下的渐近风险精确匹配了理论最优值。

关键设定与假设

  • 模型：稀疏高斯序列模型 \(X_i = \theta_i + \epsilon_i, \epsilon_i \sim N(0,1)\)。
  • 稀疏性假设（Assumption 1）：\(n \to \infty, s_n \to \infty, n/s_n \to \infty\)。信号数发散但相对于维度是稀疏的。
  • 标称水平假设（Assumption 2）：\(\alpha_n \to 0\) 且 \(\log(1/\alpha_n) = o(\sqrt{\log(n/s_n)})\)。这个条件比“\(\alpha_n \to 0\)”更强，它保证了 \(\alpha_n\) 不会衰减得太快，使得GBS的临界常数序列在稀疏渐近框架下仍然“有用”。相比Abraham等人（2024）中对BH过程的分析，他们可能允许 \(\alpha_n\) 以不同的速率衰减，但本文的假设是为了适配GBS的特定几何结构。
  • 参数空间：
    • Beta-min类 \(\Theta_b\)：所有非零信号强度都至少为 \(a_{n,b} = \sqrt{2\log(n/s_n)} + b\)。这是最经典的“难检测”区域。
    • 异质信号强度类 \(\Theta(a, s_n)\)：允许信号强度不同，但通过聚合量 \(\Lambda_n(a) = \frac{1}{s_n}\sum_{j=1}^{s_n} \bar{\Phi}(a_j - a_n^*)\) 来刻画整体难度，其中 \(a_n^* = \sqrt{2\log(n/s_n)}\) 是检测边界。这是对beta-min类的严格推广。
  • 相比已有文献的放宽/强化：相比Abraham等人（2024）的分析，本文的假设并没有放宽，而是平行的。Abraham等人的分析适用于BH和\(\ell\)-值过程，而本文的分析专门为GBS设计。本文的假设（特别是Assumption 2）是为了保证GBS的假阳性可控，而Abraham等人对BH的分析可能依赖于不同的条件。

主要结果

本文有四个主要定理，分为两组：

第一组：Beta-min框架下的结果

  • Theorem 1 (归一化汉明损失)：\(\sup_{\theta \in \Theta_b} \frac{1}{s_n} \mathbb{E}_\theta[V + T] = \bar{\Phi}(b) + o(1)\)。即GBS过程是精确渐近极小化的。

    • 直觉：在信号强度刚好在检测边界附近时，最优的分类器会漏掉大约 \(\bar{\Phi}(b)\) 比例的信号，而GBS过程做到了这一点。
    • 必要条件：Assumptions 1 & 2。
    • 解决的技术难点：证明了GBS的假阴性率也达到了这个精确常数，而不仅仅是率最优。

  • Theorem 2 (组合FDP+FNP损失)：\(\sup_{\theta \in \Theta_b} \mathbb{E}_\theta[\text{FDP} + \text{FNP}] = \bar{\Phi}(b) + o(1)\)。

    • 直觉：FDP部分由GBS的FDR控制性质保证（\(\le \alpha_n = o(1)\)），FNP部分由Theorem 1的证明（Lemma 8）直接给出（因为FNP = T/s_n）。
    • 必要条件：同上。

第二组：异质信号强度框架下的结果

  • Theorem 3 (归一化汉明损失的上界)：\(\sup_{\theta \in \Theta(a, s_n)} \frac{1}{s_n} \mathbb{E}_\theta[V + T] \le \Lambda_n(a) + o(1)\)。

    • 直觉：当信号强度各异时，最优风险由所有信号强度的“个体难度”的平均值 \(\Lambda_n(a)\) 决定。GBS过程的风险不超过这个平均值。
    • 必要条件：同上。
    • 注意：这是一个上界，本文没有证明这个上界是紧的（即没有证明匹配的下界）。作者在讨论部分将此列为开放问题。

  • Theorem 4 (组合FDP+FNP损失)：\(\sup_{\theta \in \Theta(a, s_n)} \mathbb{E}_\theta[\text{FDP} + \text{FNP}] \le \Lambda_n(a) + o(1)\)，并且结合Abraham等人（2024）的下界，证明GBS是精确渐近极小化的。

    • 直觉：与Theorem 2类似，FDP部分由FDR控制保证，FNP部分由Theorem 3的证明（Lemma 13）给出。由于Abraham等人已经证明了这个损失的下界也是 \(\Lambda_n(a)\)，所以GBS达到了这个基准。

证明路线与技术技巧

整体路线（以Theorem 1为例）：

  1. Step 1: 假阳性控制（Lemma 2）：利用移位次序统计量不等式（Lemma 1），证明 \(\mathbb{E}_\theta[V] \le \frac{\alpha_n}{1-\alpha_n}(s_n+1) = o(s_n)\)。这一步将假阳性贡献从风险中剥离。
  2. Step 2: 确定性信号交叉（Lemma 6）：证明对于任何 \(0 < q \le \Phi(b) - \epsilon\)，存在 \(\eta > 0\)，使得对所有信号 \(i\)，有 \(G_{\theta_i}(c_j) \ge (1+\eta) q\)，其中 \(j \approx q s_n\)。这里 \(G_{\theta_i}(t) = \mathbb{P}_{\theta_i}(P_i \le t)\)。证明依赖于折叠正态尾比单调性（Lemma 5），即 \(t \mapsto G_\mu(t)/t\) 是单调递减的。这个性质允许我们将一个在较大阈值处成立的富集关系，传递到更小的阈值。
  3. Step 3: 经验信号交叉（Lemma 7）：利用Chernoff不等式，证明对于 \(j \approx (\Phi(b)-\epsilon)s_n\)，事件 \(\{N_1(c_j) < j\}\) 的概率趋近于0。这意味着，以高概率，GBS过程会拒绝至少 \((\Phi(b)-\epsilon)s_n\) 个假设。
  4. Step 4: 假阴性界（Lemma 8）：结合Step 1和Step 3，推导出 \(\mathbb{E}_\theta[T] \le \bar{\Phi}(b) s_n + o(s_n)\)。
  5. Step 5: 整合：将假阳性和假阴性界相加，得到归一化汉明风险的上界 \(\bar{\Phi}(b) + o(1)\)。结合Abraham等人（2024）的下界，证明精确渐近极小化性。

关键跳跃点：

  • 从“期望”到“高概率”的跳跃：Lemma 6给出了一个“期望”层面的确定性交叉。但GBS的拒绝规则是基于实际观测到的p值，而不是期望。Lemma 7通过Chernoff不等式，证明了实际信号计数 \(N_1(c_j)\) 会以高概率集中在期望附近，从而将确定性交叉转化为经验交叉。这是整个证明中最吃劲的一步，因为它需要处理所有 \(j\) 从 \(L_n\) 到 \(r_n\) 的联合事件，并保证其概率趋近于0。
  • 处理GBS的“全路径”依赖：与BH过程不同，GBS的拒绝条件依赖于整个初始段的有序p值（\(P_{(j)} \le c_j\) 对所有 \(j \le r\)）。Lemma 7的证明巧妙地利用了“如果 \(N_1(c_j) \ge j\) 对所有 \(j\) 成立，则 \(R_n^{GBS} \ge r_n\)”这个蕴含关系，将复杂的路径依赖问题转化为了对一系列独立事件（每个 \(N_1(c_j)\)）的联合控制。

技术技巧点名：

  • 移位次序统计量不等式（Lemma 1）：这是从Ghosh and Chakrabarti (2026b)借用的一个关键引理，专门用于控制GBS过程的假阳性。它直接给出了期望假阳性数的上界，避免了复杂的次序统计量分析。
  • 折叠正态尾比单调性（Lemma 5）：这是整个信号交叉论证的基石。它通过证明 \(G_\mu(t)/t\) 的单调性，将信号富集的性质从一个阈值传播到另一个阈值。证明用到了Lemma 3（一个关于条件尾均值的单调性引理）和Tonelli定理。
  • Chernoff不等式：用于将期望层面的信号交叉转化为高概率下的经验交叉。这是处理随机性、建立高概率结论的标准工具。

真实例子与应用

本文为纯理论，无实证例子。所有结果都是渐近理论证明，没有模拟实验或真实数据分析。

🔎 结论是否比证明窄

  • Theorem 3的声明：Theorem 3声称“sharp asymptotic upper bound”，但证明只给出了上界，没有证明这个上界是紧的（即没有匹配的下界）。作者在讨论部分明确承认：“It would be of considerable interest to determine whether this upper bound is asymptotically sharp by establishing a matching minimax lower bound over the heterogeneous signal-strength classes.” 因此，Theorem 3的结论（“sharp”）实际上比其证明（只给出了上界）要宽。严格来说，它应该被称为“asymptotic upper bound”。
  • 对依赖结构的泛化：作者在讨论部分提到“Extending sharp asymptotic minimaxity to residual-based multiple testing procedures under general covariance dependence would therefore constitute a natural continuation”。但本文的所有证明都建立在独立p值的假设上。因此，任何关于依赖结构下GBS过程最优性的声明，都只是conjecture，而非本文证明的结论。

四、开放问题

  1. 异质信号强度下归一化汉明损失的匹配下界：本文的Theorem 3只给出了GBS过程在异质信号强度类 \(\Theta(a, s_n)\) 上的归一化汉明风险的上界。一个自然的问题是：这个上界是否是紧的？即，是否存在一个匹配的极小化下界，使得 \(\inf_\varphi \sup_{\theta \in \Theta(a, s_n)} \frac{1}{s_n} \mathbb{E}_\theta[V+T] \ge \Lambda_n(a) + o(1)\)？扎根点：本文Section 4（Discussion）明确将此列为开放问题。
  2. 依赖结构下的精确渐近极小化性：本文的所有结果都建立在独立p值的假设上。一个重要的开放问题是，当p值之间存在复杂依赖（如协方差结构）时，GBS过程（或更一般的残差基step-down过程）是否仍然能达到某个相应的精确极小化基准？扎根点：本文Section 4（Discussion）提到“Extending sharp asymptotic minimaxity to residual-based multiple testing procedures under general covariance dependence would therefore constitute a natural continuation”。
  3. 统一决策理论框架：本文证明了GBS过程同时具有有限样本可容许性、渐近贝叶斯最优性和精确渐近极小化性。一个更宏大的开放问题是，是否存在一个统一的决策理论框架，能够同时刻画这些性质，并揭示它们之间的内在联系？扎根点：本文Section 4（Discussion）提到“Developing a unified decision-theoretic theory that simultaneously incorporates dependence, admissibility, asymptotic Bayes optimality under sparsity, and sharp asymptotic minimaxity remains an important open problem”。
  4. 极端beta-min regime：本文的定理是针对固定的 \(b \in \mathbb{R}\) 证明的。当 \(b_n \to +\infty\)（信号极强）或 \(b_n \to -\infty\)（信号极弱，接近不可检测）时，GBS过程的渐近行为如何？风险是否会分别趋近于0和1？扎根点：本文Remark 1明确提到了“It would be of independent interest to investigate the extreme regimes \(b = b_n \to +\infty\) and \(b = b_n \to -\infty\)”。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论