跳转至

Dynamic \(e\)-closure for online hypotheses with any-time-valid evidence: closure principles and projective mergers

作者: Rianne de Heide
主题: 数理统计 / 假设检验
相关性: 6/10
链接: https://arxiv.org/abs/2608.09927

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在线多重假设检验中的闭测试原则，具体而言，是在一个双重序贯的设定下——新假设随时间到达（在线），且已有假设的证据可以持续更新并在任意停止时间被检查（任意时间有效）——如何利用 e-值（e-values）框架来设计并表征能够控制错误率的程序。该方向的核心统计问题是：当假设族和证据都随时间演化时，如何保证在数据依赖的停止时间下，对数据依赖的拒绝集族（candidate family）的期望损失（如 FDR）仍然得到控制。当前成熟度处于理论构建阶段，已有固定时间 e-闭包和在线闭包的理论，但二者的结合是本文的贡献。

发展脉络（history）

  • 奠基工作：经典闭测试与 e-值框架。Marcus et al. [1976] 提出了经典闭测试原则，通过交集假设的局部检验来推导全局决策。Wang and Ramdas [2022] 提出了 e-BH 程序，证明了 e-值可以在任意依赖下控制 FDR，奠定了 e-值在多重检验中的基础。Vovk and Wang [2021] 研究了 e-值的对称合并，Wang [2025] 则完整刻画了固定维度下可容许的任意依赖 e-合并函数（即加权算术平均）。这些工作为后续的 e-闭包提供了核心构件。
  • 主要进展：固定时间 e-闭包与在线闭包。Xu et al. [2025] 将闭测试原则推广到 e-值框架，提出了固定时间 e-闭包（fixed-time e-closure），证明了所有控制期望损失的检验方法都可以被一个基于 e-值的闭包程序所包含，并给出了必要充分表征。Fischer et al. [2024a] 提出了在线闭包原则（online closure principle），通过“可预测性”（predictability）条件——即未来假设的加入不应撤销已做出的拒绝——将闭测试扩展到假设在线到达的设定。Fischer and Ramdas [2024] 进一步证明了在线闭包中必须使用任意时间有效的交集检验。Fischer et al. [2024b] 开发了在线 BH 和 e-BH 程序，当假设总数已知时恢复为固定维度的程序。
  • 当前 frontier：双重序贯与任意时间有效证据。Wang et al. [2025] 研究了 e-BH 程序在全局停止时间下的有效性，指出了局部过滤有效性在全局停止时可能失效的问题。Choe and Ramdas [2026] 提出了“调整器”（adjuster）方法，可以将 e-过程从一个过滤提升到更细的过滤。Tavyrikov et al. [2026] 使用运行最大值调整（running-maximum adjustment）来实现持久性检验。Xu et al. [2026] 开发了在线 SupFDR e-闭包原则，处理假设在线到达但每个假设只贡献一个 e-值的设定。
  • 本文的位置：本文在上述工作的基础上，首次同时处理了假设在线到达和证据持续更新这两个时间轴。它引入了“未来扩展相干性”（future-extension coherence）和“时间单调性”（time monotonicity）两个条件，将固定时间 e-闭包和在线闭包统一到一个动态框架中，并给出了必要充分表征。本文还研究了跨视界的 e-过程合并问题，证明了在可容许点态合并类中，相干性迫使使用一个全局可加权的权重序列。

子线索聚类

  1. 闭测试原则及其推广：包括经典闭测试 [Marcus et al., 1976]、固定时间 e-闭包 [Xu et al., 2025]、在线闭包 [Fischer et al., 2024a]、以及本文的动态 e-闭包。这条线索的核心是：如何通过交集假设的检验来构造全局决策，并保证对数据依赖的拒绝集族同时有效。
  2. e-值的合并理论：包括对称合并 [Vovk and Wang, 2021]、任意依赖合并的完整刻画 [Wang, 2025]、序贯合并 [Vovk and Wang, 2024]、以及本文的跨视界合并。这条线索的核心是：如何将多个 e-值（或 e-过程）合并为一个，同时保持 e-值的性质。
  3. 在线多重检验与任意时间有效推断：包括在线 FDR 控制 [Javanmard and Montanari, 2018]、在线闭包 [Fischer et al., 2024a]、任意时间有效的 e-过程 [Ramdas and Wang, 2025]、过滤提升 [Choe and Ramdas, 2026]、以及本文的持久性闭包。这条线索的核心是：在数据或假设序贯到达时，如何保证错误率在任意停止时间下仍然受控。

这个方向在追问的核心问题

  1. 如何同时处理假设族和证据的双重序贯性？ 当新假设可以随时加入，且已有假设的证据可以持续更新时，如何定义并保证错误率控制？
  2. 闭测试原则在双重序贯设定下的必要充分条件是什么？ 固定时间 e-闭包和在线闭包各自给出了条件，但它们的结合需要什么新条件？
  3. 如何设计跨视界一致的 e-过程合并规则？ 当假设集随时间增长时，合并规则必须与“新假设加入”这一操作兼容，否则会导致证据的丢失或错误控制。
  4. 如何实现可扩展的计算？ 闭测试通常需要指数级数量的交集约束，在动态设定下如何设计高效算法？

⚠️ 作者的 framing

作者将缺口 frame 为：“现有工作要么处理假设在线到达（如 Fischer et al. [2024a]），要么处理证据持续更新（如 Wang et al. [2025]），但没有同时处理两者。” 因此，本文的贡献是“首次将这两个时间轴结合”，并声称“未来扩展相干性”和“时间单调性”是解决该问题的自然且必要的条件。作者淡化了计算复杂性问题（仅在第 3.7 节末尾提到“Caveat: as in ordinary closed testing, the general closure constraints can be exponential in the number of active hypotheses. Efficient algorithms are for future work.”），也回避了与基于 p-值的在线 BH 程序的直接比较（第 6.4 节仅用一个反例说明固定时间 PRDS 不足，但未给出任何正面的序贯 BH 程序）。什么明显该被引 / 该存在、却没出现在 intro 里？ 作者没有引用任何关于“统计-计算权衡”或“低度多项式障碍”的工作，尽管本文的合并规则（特别是跨视界刚性定理）与计算复杂性有潜在联系（例如，全局权重序列的约束是否意味着某种计算上的不可能性？）。此外，作者没有引用任何关于“随机矩阵理论”或“高维统计”的工作，尽管共享控制的高斯模型（第 5 节）可能在高维设定下产生新的问题。

张力

未见明显对立引用。各被引工作之间在基本假设和结论上是一致的，例如都承认 e-值在任意依赖下的优势，都认可闭测试原则的核心地位。唯一的潜在张力在于：Wang [2025] 的固定维度可容许合并结果是加权算术平均，而本文的跨视界刚性定理进一步要求权重全局一致，这实际上排除了在可数无穷假设宇宙中任何非平凡对称合并的可能性（Corollary 4.13）。这可以被视为对“可容许合并”概念在动态设定下的一个强化，而非矛盾。

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：
  • I ⊆ N：假设的索引集，可以是可数无穷。
  • Hi ⊆ M：第 i 个零假设，M 是概率测度族。
  • N(P) := {i ∈ I : P ∈ Hi}：在分布 P 下的真零假设索引集。
  • HS := ∩_{i∈S} Hi：索引集 S 对应的交集零假设。
  • It ⊆ I：在时间 t 时已经到达的假设的索引集，是确定性的有限集，且 I0 ⊆ I1 ⊆ ...。
  • Nt(P) := N(P) ∩ It：在时间 t 时活跃的真零假设集。
  • (Ft)：全局过滤，记录了所有观测事件。
  • τ：关于 (Ft) 的几乎必然有限的停止时间（全局停止时间）。
  • Ct ⊆ 2^{It}：在时间 t 时被程序认证的拒绝集族（candidate family）。
  • FDP_S(R) := |S ∩ R| / (|R| ∨ 1)：当真实零假设集为 S 时，拒绝集 R 的假发现比例。
  • E^S_t：在时间 t 时，交集 S 的 e-过程值（证书）。
  • R_{α,t}(E)：在时间 t 时，由动态交集 e-过程集合 E 生成的动态闭包族。
  • L^S_t(C) := max_{R ∈ Ct} FDP_{S ∩ It}(R)：在时间 t 时，候选族 C 关于配置 S 的当前损失轮廓。

  • L̄^S_t(C) := max_{0 ≤ u ≤ t} L^S_u(C)：运行损失轮廓。

  • 模型：

  • 数据生成机制由一个过滤概率空间 (Ω, F, (Ft), M) 描述。M 是可能的概率测度族。
  • 对于每个假设 Hi，我们有一个 e-过程 (M^i_t)，它是一个非负适应过程，满足对任意 P ∈ Hi 和任意停止时间 τ，有 E_P[M^i_τ] ≤ 1。
  • 对于每个有限交集 S，我们有一个 e-过程 E^S_t，它可以是坐标 e-过程的合并（如算术平均），也可以是直接构造的。

  • 动态闭包程序 R_{α,t}(E) 的定义是：R ⊆ It 被认证当且仅当对每个非空 S ⊆ It，有 FDP_S(R) ≤ α E^S_t。

  • 可观测数据：

  • 研究者实际能观测到的是：在每一时刻 t，所有活跃假设（i ∈ It）的 e-过程值 M^i_t，以及由这些值通过合并规则计算出的交集 e-过程值 E^S_t。
  • 想要但观测不到的是：真实的零假设配置 N(P)（即哪些假设是真的），以及未来才会到达的假设的证据。所有关于 N(P) 的推断都必须通过 e-过程在零假设下的期望界来进行。

第二步：讲最小内核

本文的核心思路可以用一个最简特例来理解：两个假设，一个先到达，证据随时间更新，且我们只关心在某个全局停止时间 τ 时，能否拒绝一个特定的拒绝集 R。

  • 设定：
  • 假设宇宙 I = {1, 2}。
  • 时间轴 t = 0, 1, 2。
  • I0 = ∅, I1 = {1}, I2 = {1, 2}。即假设 1 在时间 1 到达，假设 2 在时间 2 到达。
  • 我们为每个非空交集 S ⊆ {1, 2} 构造了一个 e-过程 E^S_t。例如，E^{1}_t 是假设 1 的 e-过程，E^{2}_t 是假设 2 的 e-过程，E^{1,2}_t 是它们的合并（如算术平均）。

  • 核心条件：未来扩展相干性。这个条件要求：在时间 t，对于任何包含 S 的更大交集 T，有 E^S_t ≤ E^T_t。在我们的例子中，这意味着在时间 1（此时假设 2 还未到达），必须有 E^{1}_1 ≤ E^{1,2}_1。这保证了“添加一个尚未到达的假设不会降低当前证书”。

  • 问题：假设我们想在一个全局停止时间 τ 拒绝集 R = {1}。我们需要保证 FDP_{N(P)}(R) ≤ α 在期望下成立。但 N(P) 是未知的，且 τ 是数据依赖的。

  • 核心思路（随机交集定位）：

  • 固定一个终端视界：假设我们固定一个足够大的时间 T（例如 T=2），此时所有假设都已到达。那么终端真零假设集 N_T(P) 是一个确定性的有限集（例如，可能是 {1} 或 {1,2} 或 ∅）。
  • 利用相干性：在停止时间 τ（τ ≤ T），活跃的真零假设集是 N_τ(P) = N_T(P) ∩ I_τ。由于 N_τ(P) ⊆ N_T(P)，未来扩展相干性告诉我们：E^{N_τ(P)}_τ ≤ E^{N_T(P)}_τ。也就是说，随机交集 N_τ(P) 的证书被固定交集 N_T(P) 的证书所控制。
  • 应用 e-过程性质：E^{N_T(P)}_τ 是一个固定 e-过程在随机时间 τ 的取值。由于 E^{N_T(P)} 是 H_{N_T(P)} 的 e-过程，且 P ∈ H_{N_T(P)}（因为 N_T(P) 是真零假设集），所以 E_P[E^{N_T(P)}_τ] ≤ 1。
  • 闭包约束：动态闭包程序 R_{α,τ}(E) 要求，对于任何被认证的拒绝集 R，有 FDP_{N_τ(P)}(R) ≤ α E^{N_τ(P)}_τ。结合步骤 2，我们有 FDP_{N(P)}(R) ≤ α E^{N_T(P)}_τ。

  • 取期望：对两边取期望，得到 E_P[FDP_{N(P)}(R)] ≤ α。这就是 stopped FDR 控制。

  • 为什么这个例子是“最小内核”：

  • 它剥离了所有一般性设定（如可数无穷假设、时间单调性、持久性），只保留了最核心的困难：随机活跃真零假设交集。
  • 它清晰地展示了“未来扩展相干性”的作用：它允许我们将随机交集 N_τ(P) 的证书与一个固定交集 N_T(P) 的证书进行比较，从而将问题简化为一个固定 e-过程在随机时间下的期望控制。
  • 论文的一般情形（定理 3.6 和 3.7）正是这个思路的严格推广：用“未来扩展相干性”处理随机交集，用“时间单调性”处理 SupFDR 和持久性。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在假设在线到达且证据持续更新的双重序贯设定下，如何利用 e-值框架设计并表征能够控制 stopped FDR 和 SupFDR 的闭测试程序。
  2. 核心工具 / 方法：引入了“未来扩展相干性”和“时间单调性”两个条件，将固定时间 e-闭包和在线闭包统一为动态 e-闭包；利用“随机交集定位引理”将随机活跃真零假设的证书控制问题转化为固定 e-过程的控制问题；通过“跨视界刚性定理”刻画了可容许点态 e-过程合并规则在动态设定下的形式。
  3. 主要结论：① 未来扩展相干性 + 固定交集 e-过程有效性 ⇒ stopped FDR 控制（定理 3.6）；② 再加上时间单调性 ⇒ SupFDR 控制和集合持久性（定理 3.7）；③ 反之，任何满足 stopped FDR 或 SupFDR 的程序都可以被一个由规范损失过程生成的动态闭包所包含（定理 3.10, 3.11）；④ 在可容许点态合并类中，跨视界相干性迫使使用一个全局可加权的权重序列，且在可数无穷假设宇宙中排除了非平凡对称合并（定理 4.8, 推论 4.13）。

关键设定与假设

  • 全局过滤 (Ft)：所有观测事件（包括所有假设的证据、控制臂数据等）都适应于同一个过滤。这是保证全局停止时间有效性的关键。相比 Wang et al. [2025] 中讨论的局部过滤问题，本文假设所有 e-过程都在这个全局过滤中有效，或者可以通过调整器（Choe and Ramdas [2026]）提升到全局过滤。
  • 确定性活跃集 It：假设到达的时间是确定性的，且 It 是有限集。这简化了随机交集定位的论证。作者在“未来工作”中提到了允许随机可预测到达。
  • 未来扩展相干性（定义 2.5）：E^{S ∩ It}_t ≤ E^S_t。这是本文的核心假设，它保证了当前决策不受未来假设的影响。相比 Fischer et al. [2024a] 的在线闭包中的“可预测性”（只要求未来假设不撤销已做出的拒绝），本文的相干性更强，因为它是在每个证据更新时刻都成立。
  • 时间单调性（定义 2.7）：E^S_t ≤ E^S_u for t ≤ u。这是一个额外的持久性条件，用于 SupFDR 控制和集合持久性。它比一般的 e-过程更强，因为 e-过程可以上下波动。
  • 点态合并（定义 4.1）：合并函数只使用当前时刻的坐标 e-过程值，不使用历史路径。这是为了将问题简化为固定维度的 e-合并问题。相比 Vovk and Wang [2024] 的序贯合并，本文的输入是多个并行演化的 e-过程，而非条件有效的一步 e-值。

主要结果

  • 定理 3.6（动态 e-闭包原则，stopped FDR）：如果 E 是未来扩展相干的动态交集 e-过程集合，那么 R_α(E) 控制同时 stopped FDR。直觉：随机交集定位引理将随机证书 E^{N_τ(P)}_τ 控制为固定证书 E^{N_T(P)}_τ，而闭包约束将 FDP 与证书联系起来。
  • 定理 3.7（持久动态 e-闭包原则，SupFDR）：如果 E 还是时间单调的，那么 R_α(E) 控制同时 SupFDR 且是集合持久的。必要条件：时间单调性。解决的技术难点：时间单调性允许将任意时刻的证书都控制为终端证书 E^{N_T(P)}_T，从而控制路径上的最大值。
  • 定理 3.10 & 3.11（必要充分表征）：任何控制 stopped FDR（或 SupFDR）的程序都可以被一个由规范损失过程生成的动态闭包所包含。技术难点：规范损失过程 E^{S,can}_t = (1/α) L^S_t(C) 需要被证明是 e-过程。证明依赖于程序本身的错误率控制性质。
  • 定理 4.8（跨视界刚性定理）：在可容许点态 e-过程合并类中，未来扩展相干性迫使合并函数具有全局加权算术平均的形式，且权重序列全局可加。技术难点：利用 Wang [2025] 的固定维度刻画，通过比较不同视界下的系数，证明每个坐标的权重在不同视界下必须相同。
  • 推论 4.13（对称合并的不可能性）：在可数无穷假设宇宙中，不存在非平凡、对称、可容许、点态、且跨视界相干的合并规则。含义：任何对称的尝试（如算术平均）都会在动态设定下失效，除非假设宇宙是有限且已知的。

证明路线与技术技巧（理论型）

  • 整体路线（以定理 3.6 为例）：
  • 视界不变性（命题 3.1）：证明未来扩展相干性保证了当前闭包族与任何更大有限视界的闭包族在 It 上的限制是一致的。这为后续的“固定终端视界”论证提供了基础。
  • 随机交集定位引理（引理 3.4）：这是核心步骤。对于固定的 P 和终端时间 T，证明 E_P[E^{N_τ(P)}_τ] ≤ 1。证明思路：利用相干性 E^{N_τ(P)}_τ ≤ E^{N_T(P)}_τ，然后对固定 e-过程 E^{N_T(P)} 应用可选停止定理。
  • 前向有效性定理（定理 3.6）：对于任意 R ∈ R_{α,τ}(E)，闭包约束给出 FDP_{N(P)}(R) ≤ α E^{N_τ(P)}_τ。取期望并应用引理 3.4 即得。

  • 必要充分表征（定理 3.10）：反向方向通过构造规范损失过程 E^{S,can}_t = (1/α) L^S_t(C) 完成。证明该过程是未来扩展相干的 e-过程，且其闭包包含原程序 C。

  • 关键跳跃点：

  • 随机交集定位引理：这是整个理论的基石。它巧妙地将“随机索引”问题转化为“固定索引”问题，是连接“在线假设到达”和“任意时间有效证据”的桥梁。难点在于证明相干性足以保证这个比较成立，并且反例（命题 3.2）表明没有相干性时这个比较会失败。

  • 跨视界刚性定理（定理 4.8）：这个定理的证明需要将 Wang [2025] 的固定维度结果与跨视界相干性结合起来。关键跳跃在于：通过比较 F^S 和 F^B（B ⊆ S）的系数，并利用相干性不等式 F^B(x_B) ≤ F^S(ι_{B,S}(x_B))，推导出每个坐标的权重在不同视界下必须相等。这需要巧妙地选择 x_B 的值（如令某个坐标趋于无穷或为零）来分离出系数差异。

  • 技术技巧点名：

  • e-过程与可选停止定理：贯穿全文，用于保证证书在随机时间下的期望控制。
  • 未来扩展相干性：本文的核心创新概念，用于处理随机交集。
  • 时间单调性与运行最大值：用于 SupFDR 控制和持久性。
  • 规范损失过程（Normalized-loss process）：用于必要充分表征，是固定时间 e-闭包 [Xu et al., 2025] 中技巧的动态推广。
  • 调整器（Adjuster）：来自 Dawid et al. [2011] 和 Choe and Ramdas [2026]，用于将 e-过程提升到全局过滤或构造时间单调的 e-过程。
  • 最优传输对偶（Optimal transport duality）：Wang [2025] 在证明固定维度可容许合并时使用的技巧，本文直接引用其结果。
  • 反例构造：命题 3.2 和例 3.5 通过精巧的反例说明了相干性和时间单调性的必要性。

真实例子与应用

本文包含一个真实数据驱动的例子：共享控制的高斯模型（第 5 节）。 - 用的什么数据 / 场景：一个持续运行的平台试验（platform trial），多个治疗臂与一个共享的对照组进行比较。每个治疗臂的零假设是 Hi: μ_i ≤ 0。新治疗臂可以随时加入，已有臂的数据持续更新。 - 怎么把本文方法用上去：作者构造了每个治疗臂的 e-过程 M^i_t，它是基于治疗-对照对比 Z_{i,t} 的指数似然比检验。关键证明是，尽管不同臂通过共享对照组而相关，但每个 M^i_t 在全局过滤（包含所有臂和对照组的历史）下仍然是测试超鞅（test supermartingale），因此是全局 e-过程。然后，这些坐标 e-过程可以直接用于构造动态闭包（如第 6 节的 closed eBH）。 - 得到什么结果：证明了在共享控制下，坐标 e-过程在全局过滤中有效，因此可以直接应用本文的动态 e-闭包理论，无需额外的过滤提升步骤。 - 这个例子想说明什么：① 验证了“全局过滤有效性”这一关键假设在现实场景中是可以直接检验的，而不总是需要保守的调整器。② 展示了本文理论在平台试验这一重要应用中的直接适用性。作者明确说明该模型是简化的，未考虑延迟结果、时间趋势、非同期对照等复杂因素。

🔎 结论是否比证明窄

  • 定理 4.8（跨视界刚性定理） 的结论是“可容许点态合并类中，相干性迫使使用全局权重”。但作者在 4.5 节明确指出：“The rigidity theorem applies only to pointwise mergers that are valid under arbitrary dependence. Product mergers ... require additional assumptions ... Direct intersection betting strategies and history-dependent mergers can also use information excluded by the pointwise formulation.” 因此，该定理的结论并不排除更灵活的构造，只是证明了在“点态、任意依赖、可容许”这个特定类中，动态设定是高度受限的。作者在讨论中承认了这一点（第 8.1 节：“the rigidity theorem concerns admissible pointwise mergers that are valid under arbitrary dependence; it does not rule out more flexible constructions”）。
  • 定理 3.10 和 3.11（必要充分表征） 的结论是“包含关系”（containment），而非“等价”。即，任何满足错误率控制的程序 C 都被某个动态闭包 R_α(E) 所包含，但 R_α(E) 可能比 C 大。作者在第 1.3 节明确区分了“forward e-closure map”和“order-theoretic hull”，并指出“The representing closure may be larger than the original procedure.” 因此，该表征是“up to containment”的，并非一一对应。

四、开放问题（点到为止，扎根具体语句）

  1. 随机可预测假设到达：本文假设活跃集 It 是确定性的。作者在 8.2 节指出：“allowing random predictable hypothesis arrivals requires a different localization argument, because for random I_T the terminal true-null set N(P) ∩ I_T is no longer a fixed intersection.” 这是一个明确的开放问题：如何处理 It 本身是随机过程的情况？这需要新的定位引理。

  2. 超越点态合并的合并理论：本文的刚性定理只适用于点态合并。作者在 4.5 节和 8.2 节指出：“Relevant directions include mergers that exploit structured dependence, direct intersection betting, and history-dependent mergers of parallel evolving e-processes.” 这是一个广阔的开放领域：如何设计利用依赖结构或历史路径的合并规则，以规避全局权重约束？

  3. 可扩展算法：闭测试通常需要指数级数量的交集约束。作者在 3.7 节和 8.2 节指出：“the general closure constraints can be exponential in the number of active hypotheses. Efficient algorithms are for future work.” 这是一个重要的实际问题：对于大规模假设集，如何高效地计算动态闭包？是否可以利用问题的特殊结构（如稀疏性、图结构）来设计快捷方式（short-cuts）？

  4. 动态可容许性与完整类理论：作者在 7.4 节提到：“Sun and Wang [2026] develop a fixed-dimensional complete-class theory for weighted-mean closed-eBH procedures; a corresponding dynamic admissibility theory is left for future work.” 这是一个理论问题：在动态设定下，如何定义并刻画可容许的闭测试程序？是否存在类似于固定维度下的完整类结果？

Maintained by 陈星宇 · Homepage · Source on GitHub

评论