跳转至

Fast high-dimensional mean testing via logistic regression

作者: Sayan Das, Debraj Das, Subhajit Dutta
主题: 数理统计 / 假设检验
相关性: 8/10
链接: https://arxiv.org/abs/2608.20286

一、领域脉络与小综述

这个方向是什么

高维两样本（及多样本）均值相等性检验是统计学中最经典也最基础的问题之一。当数据维度 p 与样本量 n 可比或远大于 n 时，传统的 Hotelling's T² 检验因样本协方差矩阵奇异或数值不稳定而失效。过去二十余年，该领域发展出大量新方法，核心挑战在于：如何在不估计或求逆高维协方差矩阵的前提下，构造出计算上可行且统计上有效（正确的渐近尺寸、一致的检验功效）的检验程序。本文提出了一条新路径：将均值检验转化为逻辑回归参数为零的检验，从而利用稀疏逻辑 Lasso 进行变量筛选，再在降维后的子空间上做推断。

发展脉络

  • 奠基工作：Bai and Saranadasa (1996) 将 Hotelling's T² 推广到高维，开启了这一方向。Chen and Qin (2010) 提出了一个无需显式估计协方差矩阵的检验（CQ 检验），允许两总体通过共同潜因子或线性变换具有不等协方差矩阵，是后续许多工作的基准。Cai et al. (2014) 提出了基于协方差矩阵精确稀疏假设的检验，通过估计精度矩阵来利用变量间的相关性。

  • 主要进展：Xue and Yao (2020) 提出了基于坐标方向矩条件和指数尾的 bootstrap sup-norm 检验（XY 检验），不假设总体分布相同。Huang (2015) 提出了最优投影检验（OP 检验），在非高斯理论下仍假设共同协方差矩阵，其不等协方差扩展限于高斯总体。Kong et al. (2022) 提出了基于置换的检验（ES 检验），在指数尾条件下一致，但其基于 Hotelling T² 的程序额外要求总体协方差矩阵的特征值一致有界。Yang et al. (2024) 提出了在线性结构假设下基于正则化精度矩阵估计的相关性感知检验。Feng et al. (2024) 基于和与最大值的渐近独立性构造了检验。

  • 当前 frontier 与本文位置：现有方法在计算可扩展性（许多方法需要估计或求逆 p×p 矩阵）和对总体异质性的适应性（许多方法假设共同协方差或共同分布）上存在明显瓶颈。本文的定位是：通过逻辑回归等价性，将均值检验转化为一个稀疏回归系数检验问题，从而利用 Lasso 的计算效率进行变量筛选，再在低维子空间上做推断。作者声称，该方法不需要估计或求逆全协方差矩阵，允许总体分布不同（仅需子 Weibull 尾条件），且计算上远快于现有竞争方法。

子线索聚类

  1. 基于距离度量的检验：如 Bai and Saranadasa (1996), Chen and Qin (2010)。核心是构造标准化样本均值之间的距离统计量。优点是不需估计协方差矩阵，但可能未充分利用变量间的依赖关系。

  2. 基于协方差/精度矩阵估计的检验：如 Cai et al. (2014), Yang et al. (2024)。通过正则化估计协方差或精度矩阵来利用相关性结构。计算成本高，且依赖于稀疏性假设。

  3. 基于投影的检验：如 Huang (2015)。寻找最优投影方向以最大化检验功效。在高维中识别和估计投影方向计算上具有挑战性。

  4. 基于置换/bootstrap 的检验：如 Xue and Yao (2020), Kong et al. (2022)。通过重抽样校准分布，对总体分布假设较弱，但计算成本高（尤其 bootstrap 需要大量重抽样）。

  5. 本文的路径：基于分类的检验：将均值检验转化为逻辑回归参数检验。这是该子线索中首次将高维均值检验与稀疏分类模型系统结合的工作。

这个方向在追问的核心问题

  1. 如何在不估计高维协方差矩阵的前提下，有效利用变量间的相关性信息？
  2. 如何构造对总体分布异质性（不等协方差、非高斯、重尾）稳健的检验？
  3. 如何在保证统计有效性的同时，实现计算上的可扩展性（p 可达数万）？
  4. 如何将两样本检验自然推广到多样本（K≥2）情形？

已知瓶颈：大多数现有方法要么在计算上不可扩展（需估计 p×p 矩阵），要么对总体异质性假设过强（如共同协方差），要么在非平衡设计或异方差下功效严重下降。

⚠️ 作者的 framing

作者将缺口 frame 成："现有方法要么计算成本高（需估计协方差/精度矩阵），要么对总体分布假设过强（如共同协方差），而本文通过逻辑回归等价性，将问题转化为稀疏回归系数检验，从而同时实现计算效率和统计有效性。" 作者淡化了以下竞争路线： - 基于 debiased Lasso 的检验（如 Ma et al. 2021）：作者在 Section 2.2 末尾提到"基于 debiased Lasso 的检验计算上会很慢"，但未展开比较。实际上，debiased Lasso 在逻辑回归中已有成熟理论，其计算瓶颈在于需要估计高维信息矩阵的逆，这与本文避免全协方差矩阵求逆的目标一致，但本文的 post-Lasso 方法在 VSC 下完全避免了这一步骤。 - 基于 U-统计量的检验：Chen and Qin (2010) 的检验本质上是 U-统计量，计算复杂度为 O(n²p)，在 n 较大时可能比本文的 O(np) 方法慢，但作者未讨论这一计算-统计权衡。

什么明显该被引/该存在、却没出现在 intro 里？ - Baraud (2002)：关于信号检测中非渐近 minimax 检验速率的经典工作，与本文 Theorem 2.3 的 minimax 下界证明直接相关（作者在附录 Lemma 9 中引用了 Baraud 2002 的 Section 7.1，但 intro 中未提及）。 - Ma et al. (2021)：高维逻辑回归的全局和同时假设检验，与本文的检验问题高度相关（作者在 Section 2.2 和附录中引用了该文，但 intro 中未提及）。该文提出的 debiased Lasso 检验是本文最直接的竞争方法，但作者仅在正文中一笔带过。

张力

未见明显对立引用。各工作主要在假设条件和计算效率上存在权衡，而非得出矛盾的统计结论。

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

符号： - \(X_1, \ldots, X_{n_1} \in \mathbb{R}^p\)：来自总体 1 的 iid 样本，分布 \(F_1\)，均值 \(\mu_1\)。 - \(Y_1, \ldots, Y_{n_2} \in \mathbb{R}^p\)：来自总体 2 的 iid 样本，分布 \(F_2\)，均值 \(\mu_2\)。 - \(n = n_1 + n_2\)：总样本量。 - \(p\)：数据维度。 - \(z_i \in \{0, 1\}\)：总体指示变量，\(z_i = 0\) 对应 \(X\) 样本，\(z_i = 1\) 对应 \(Y\) 样本。 - \(W_i \in \mathbb{R}^p\)：合并后的协变量向量，前 \(n_1\) 个为 \(X_i\)，后 \(n_2\) 个为 \(Y_{i-n_1}\)。 - \(\dot{W}_i = (1, W_i^\top)^\top \in \mathbb{R}^{p+1}\)：带截距项的协变量。 - \(\beta = (\beta_0, \beta_1, \ldots, \beta_p)^\top \in \mathbb{R}^{p+1}\)：逻辑回归的总体参数向量。 - \(\pi_1, \pi_2\)：两个总体的先验概率，\(\pi_1 + \pi_2 = 1\)。 - \(H_0: \mu_1 = \mu_2\) vs \(H_1: \mu_1 \neq \mu_2\)：原假设和备择假设。 - \(H'_0: \beta = 0\) vs \(H'_1: \beta \neq 0\)：等价转化后的假设。 - \(A_n = \{0 \leq j \leq p : \beta_j \neq 0\}\)：真实非零回归系数的指标集（活跃集）。 - \(\tilde{A}_n\)：基于 Lasso 估计的活跃集。 - \(\tilde{\beta}_n\)：逻辑 Lasso 估计量。 - \(\hat{\beta}_n\)：post-Lasso 逻辑回归估计量（两步法）。 - \(p_0 = |A_n| - 1\)：活跃集大小（不含截距项）。 - \(\kappa\)：子 Weibull 分布的参数（\(\kappa=2\) 为 sub-Gaussian，\(\kappa=1\) 为 sub-Exponential）。 - \(\lambda_n\)：Lasso 惩罚参数。 - \(b_1(p, n)\)：趋于零的正序列，用于缩放注入的噪声。 - \(Z_1 \sim N(0, I_{p+1})\)：注入的 \((p+1)\) 维标准高斯噪声。 - \(T_n^{(1)} = \sqrt{n} \hat{\beta}_n + b_1(p, n) Z_1\)：检验统计量。 - \(\psi_{n,\alpha}^{(1)}\)：水平 \(\alpha\) 的检验函数。 - \(m_{n,p,\gamma}^{(1)}\)：使得 \(P(\max_j |Z_{1j}| \leq m_{n,p,\gamma}^{(1)} / b_1(p,n)) = \gamma\) 的阈值。

模型： - 数据生成：\(X_i \sim F_1\) (iid), \(Y_j \sim F_2\) (iid)，两样本独立。\(F_1\) 和 \(F_2\) 可以不同（均值可能不同，协方差、分布形态均可不同）。 - 逻辑回归模型：\(\log \frac{P(z=1|W)}{1-P(z=1|W)} = \log(\pi_2/\pi_1) + \beta_0 + \beta^{(1)\top} W\)。注意，这里的 \(\beta\) 被定义为总体逻辑得分方程的解（即 pseudo-true 参数），不要求条件类概率真的服从线性逻辑模型。 - 核心等价性（Proposition 1）：\(\mu_1 = \mu_2 \iff \beta = 0\)。这是整篇论文的基石。

可观测数据： - 研究者实际能观测到的是：\(\{(z_i, W_i)\}_{i=1}^n\)，即每个样本的总体标签和特征向量。 - 不可直接观测的是：\(\mu_1, \mu_2\)（总体均值）、\(\beta\)（总体逻辑参数）、\(F_1, F_2\)（总体分布）。 - 关键识别假设：通过 Proposition 1，将不可直接检验的 \(H_0: \mu_1 = \mu_2\) 转化为可直接检验的 \(H'_0: \beta = 0\)。这个转化不依赖于任何分布假设（仅需非退化）。

第二步：最小内核

最简特例：两总体均为高斯分布，且协方差矩阵相等（即经典线性判别分析 LDA 设定）。

在这个特例下，逻辑回归参数与均值差有显式关系（公式 2）：

\[\beta^{(1)} = \Sigma^{-1}(\mu_2 - \mu_1), \quad \beta_0 = -\frac{1}{2}(\mu_2 + \mu_1)^\top \Sigma^{-1}(\mu_2 - \mu_1)\]
其中 \(\Sigma\) 是共同的非奇异协方差矩阵。

核心思路：检验 \(H_0: \mu_1 = \mu_2\) 等价于检验 \(H'_0: \beta = 0\)。在高维稀疏设定下（假设 \(\beta\) 只有 \(p_0+1\) 个非零分量，\(p_0 \ll p\)），我们分两步走： 1. 筛选：用逻辑 Lasso 估计 \(\tilde{\beta}_n\)，识别出活跃集 \(\tilde{A}_n\)（即 \(\beta\) 中非零分量的指标集）。在合适的条件下（强不可表示条件、惩罚参数选择适当），\(\tilde{A}_n\) 以概率趋于 1 等于真实活跃集 \(A_n\)。 2. 推断：仅在筛选出的活跃集 \(\tilde{A}_n\) 上，用未惩罚的逻辑回归重新估计参数，得到 \(\hat{\beta}_n\)。由于活跃集大小 \(p_0+1\) 远小于 \(n\)，这个低维逻辑回归估计是 \(\sqrt{n}\)-相合的且渐近正态的。

检验统计量：\(T_n^{(1)} = \sqrt{n} \hat{\beta}_n + b_1(p, n) Z_1\)。注入一个小幅度的噪声 \(b_1(p,n)Z_1\)（\(b_1(p,n) \to 0\)）是为了在高维下获得正确的渐近尺寸——当 \(p\) 很大时，即使 \(\hat{\beta}_n = 0\)（在原假设下以概率趋于 1），直接取最大值也会因为多重比较而膨胀。注入噪声后，通过控制 \(P(\max_j |Z_{1j}| > m_{n,p,1-\alpha}^{(1)} / b_1(p,n)) = \alpha\) 来校准阈值。

为什么这个特例抓住了核心：即使推广到非高斯、异方差、多样本情形，上述"等价性 → 稀疏筛选 → 低维推断"的三步框架保持不变。高斯 LDA 特例只是让等价性有显式表达式（公式 2），但 Proposition 1 证明了这个等价性对任意非退化分布都成立。因此，整篇论文的数学内核就是：在什么条件下，逻辑 Lasso 能一致地筛选出活跃集（VSC），以及 post-Lasso 估计量在原假设和备择假设下的渐近行为如何。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：高维两样本及多样本均值向量相等性的计算高效检验问题。
  2. 核心工具/方法：利用均值相等性与逻辑回归参数为零的等价性（Proposition 1 & 2），将检验转化为稀疏逻辑回归系数的检验；采用两步法——先用逻辑 Lasso 筛选活跃变量（VSC），再在降维后的子空间上用未惩罚逻辑回归做推断。
  3. 主要结论：在两样本设定下，检验在子 Weibull 尾条件下达到渐近正确尺寸（Theorem 2.1）和一致性（Theorem 2.2）；在两样本高斯子模型下达到 minimax 可分离速率（Theorem 2.3）；框架通过多类逻辑回归自然扩展到多样本情形（Theorem 3.1）。

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：

  • 子 Weibull 尾条件：\(\max_{1 \leq i \leq n} \max_{1 \leq j \leq p} \|W_{ij}\|_{\psi_\kappa} < C\)，其中 \(\|\cdot\|_{\psi_\kappa}\) 是子 Weibull 范数，\(\kappa \in (0, 2]\)。这比 sub-Gaussian (\(\kappa=2\)) 和 sub-Exponential (\(\kappa=1\)) 更一般，允许更重的尾部（\(\kappa < 1\)）。
  • 稀疏性假设：\(\|\beta\|_0 = p_0 + 1\)，即活跃集大小远小于 \(p\)。注意，稀疏性施加在判别参数 \(\beta\) 上，而非直接施加在均值差 \(\mu_1 - \mu_2\) 上。这意味着即使均值差是稠密的（很多分量非零），只要这些分量在判别上不显著（即 \(\beta\) 稀疏），检验仍可有效。
  • 强不可表示条件 (A.1)：\(\max_{p_0+1 \leq j \leq p} \left| \left[ E(L_{21,n})^\top \right]_{j\cdot} \left[ E(L_{11,n}) \right]^{-1} \text{sgn}(\beta^{(1)}) \right| \leq 1 - \tau_1\)。这是 Lasso 变量选择一致性的充分（且几乎必要）条件，要求非活跃变量与活跃变量的"相关性"被控制住。
  • 设计矩阵条件 (A.2)：\(\|(E L_{11,n})^{-1}\|_\infty \leq \delta_1^{-1} n^{a_1}\)（信息矩阵逆的 \(\ell_\infty\) 范数有界），\(\min_{0 \leq j \leq p_0} [(E L_{11,n})^{-1}]_{jj} \geq \delta_1\)（每个活跃系数的方差非退化），以及一个三阶矩条件。
  • 样本比例条件 (A.3)：\(|n_k - n\pi_k| = o(n^{1/2 - a_1})\)，要求样本比例与先验概率的偏差足够小。
  • 惩罚参数条件 (A.4)：\(\lambda_n \sqrt{n} \geq \delta_1^{-1} \max\{\sqrt{\log(np)}, p_0 n^{a_1} \sqrt{\log(np_0)}\}\)，以及 \(\frac{\lambda_n}{n} n^{3a_1} p_0^2 = o(1)\)，\(\log p \leq \delta_1 n^{\kappa/3} (\log n)^{-1}\)。这允许 \(p\) 随 \(n\) 指数增长（当 \(\kappa=2\) 时，\(\log p = o(n^{2/3})\)）。

相比已有文献的放宽/强化： - 放宽：不要求共同协方差矩阵（对比 Cai and Xia 2014, Huang 2015），不要求指数尾（对比 Xue and Yao 2020, Kong et al. 2022），不要求全局特征值条件（对比 Kong et al. 2022）。 - 强化：需要强不可表示条件（A.1），这在 Lasso 文献中是标准但较强的假设。作者提到可以用 adaptive Lasso 或 UniLasso 来避免，但会增加计算成本。

主要结果

Theorem 2.1（渐近尺寸）：在子 Weibull 尾条件和适当的惩罚参数选择下，原假设 \(H_0\) 下，检验 \(\psi_{n,\alpha}^{(1)}\) 的渐近尺寸为 \(\alpha\)。证明关键：在原假设下，VSC 以概率趋于 1 成立（即 \(\tilde{A}_n = \emptyset\)），因此 \(\hat{\beta}_n = 0\)，检验统计量退化为 \(b_1(p,n)Z_1\)，其最大值分布由注入噪声控制。

Theorem 2.2（一致性）：在条件 (A.1)-(A.4) 和 beta-min 条件 \(\min_{j \in A_n} |\beta_j| \geq C_2 \frac{\lambda_n}{n} n^{a_1}\) 下，备择假设下检验功效趋于 1。beta-min 条件在典型选择 \(\lambda_n \sim \sqrt{n \log p}\) 和 \(a_1 = 0\) 时退化为 \(\min |\beta_j| \geq C_2 \sqrt{\log p / n}\)。

Theorem 2.3（minimax 下界）：在两总体均为高斯且协方差相等、最小特征值 \(\geq p_0^{-1}\)、\(\ell_1\) 范数 \(\leq M\)、\(p_0 \leq M p^{1/4}\) 的条件下，任何水平 \(\alpha\) 检验的 \((\alpha, \delta)\)-minimax 可分离距离 \(\rho^* \geq c \sqrt{\log p / n}\)。结合 Theorem 2.2 的 beta-min 条件，说明本文检验在 Gaussian 子模型下达到了 minimax 最优速率。

Theorem 3.1（多样本）：将两样本结果推广到 \(K \geq 2\) 个总体。在类似条件 (C.1)-(C.4) 下，多类逻辑回归检验 \(\psi_{n,\alpha}^{(2)}\) 具有渐近正确尺寸和一致性。

证明路线与技术技巧

整体路线（以两样本 Theorem 2.1 & 2.2 为例）：

  1. Step 1: 建立 VSC（Lemma 3）：证明在条件 (A.1)-(A.4) 下，逻辑 Lasso 估计量 \(\tilde{\beta}_n\) 以概率趋于 1 正确识别活跃集。证明通过 KKT 条件展开，分为两部分：
  2. 活跃变量部分：证明存在解 \(\tilde{u}_n^{(1)}\) 满足 \(\|\tilde{u}_n^{(1)}\|_\infty \leq C \frac{\lambda_n}{\sqrt{n}} n^{a_1}\)（公式 30），从而活跃变量的估计非零。

  3. 非活跃变量部分：证明 KKT 条件中的次梯度条件成立（公式 31-42），从而非活跃变量的估计为零。关键跳跃点：利用强不可表示条件 (A.1) 控制 \(V\) 项（公式 42），使其严格小于 1。

  4. Step 2: 建立 post-Lasso 估计量的渐近正态性（Lemma 5）：在 VSC 成立的事件上，post-Lasso 估计量 \(\hat{\beta}_n\) 等价于在真实活跃集上的低维逻辑回归 MLE。通过 Berry-Esseen 定理证明其分量渐近正态，方差为 \((E L_{11,n})^{-1}\) 的对应对角元。

  5. Step 3: 证明尺寸控制（Theorem 2.1）：在原假设下，VSC 以概率趋于 1 给出 \(\tilde{A}_n = \emptyset\)，因此 \(\hat{\beta}_n = 0\)。检验统计量退化为注入噪声，其最大值分布由构造控制。

  6. Step 4: 证明一致性（Theorem 2.2）：在备择假设下，利用 VSC 和 beta-min 条件，证明至少有一个活跃分量的检验统计量绝对值超过阈值。关键：\(\sqrt{n} |\beta_j|\) 以速率 \(\sqrt{n} \cdot \sqrt{\log p / n} = \sqrt{\log p}\) 增长，而阈值 \(m_{n,p,1-\alpha}^{(1)}\) 以 \(\sqrt{\log p}\) 量级增长，但 beta-min 条件保证前者大于后者。

技术技巧点名： - Brouwer's 不动点定理：用于证明 KKT 系统存在解（Lemma 3 中公式 16 的推导）。 - Berry-Esseen 定理：用于证明 post-Lasso 估计量的渐近正态性（Lemma 5）。 - 子 Weibull 尾的集中不等式（Lemma 1）：来自 Kuchibhotla and Chakrabortty (2022)，用于控制各种经验过程的 \(\ell_\infty\) 范数。 - 强不可表示条件：Lasso 变量选择一致性的标准工具。 - 注入噪声技巧：通过添加一个趋于零的噪声项来校准高维下的多重比较阈值，避免了对 \(\hat{\beta}_n\) 联合分布的精确刻画。 - minimax 下界证明中的 χ² 散度方法（Lemma 9）：来自 Baraud (2002)，通过构造先验分布并计算 χ² 散度来获得下界。

真实例子与应用

数据：两个乳腺癌基因表达数据集 GSE1456 和 GSE7390，来自 Gene Expression Omnibus。GSE1456 按 Elston 肿瘤分级分为 Grade 1 (n=28)、Grade 2 (n=58)、Grade 3 (n=61)；GSE7390 对应分组为 n=30, 83, 83。两个数据集均包含 p=22,283 个基因表达测量值。

方法应用：将本文的多样本检验（D3 和 D3op）应用于检验三个肿瘤分级的均值向量是否相等。比较对象为 CS 检验（Chakraborty and Sakhanenko 2023）和 HDT 检验（Li 2023）。

结果： - 所有四种方法在完整数据集上均给出 p<0.001，拒绝均值相等的原假设。 - 置换检验诊断：对 500 次随机置换标签，D3、D3op、CS 的拒绝比例接近 0.05（正确校准），而 HDT 拒绝所有置换数据集（严重尺寸膨胀）。 - Bootstrap 诊断：对 500 次组内重抽样，D3、D3op、CS 均拒绝所有样本，表明组间分离高度稳定。 - 子抽样分析：当保留样本比例较小时（如 25%-50%），D3op 的拒绝比例最高，D3 次之，CS 需要更大样本才能达到可比性能。 - 计算时间：D3 最快（0.17-0.22 秒），D3op 次之（3.3-4.4 秒），CS 最慢（10.8-13.8 秒）。HDT 最快但尺寸严重膨胀。

这个例子想说明什么： 1. 实际可扩展性：在 p>22,000 的数据上，D3 和 D3op 能在亚秒到数秒内完成计算。 2. 校准性：通过置换检验诊断，D3 和 D3op 的尺寸控制良好，而 HDT 完全失效。 3. 小样本敏感性：D3op 的数据自适应惩罚在小样本下提供了更高的敏感性。 4. 稳健性：D3 和 D3op 在 bootstrap 和子抽样分析中表现稳定。

🔎 结论是否比证明窄

  • Theorem 2.3（minimax 下界）的证明假设了高斯分布和共同协方差，但作者在正文中将其 claim 为"本文检验在 Gaussian 设定下是 minimax 最优的"。这个 claim 是严格的，因为下界证明确实只在高斯子模型下成立。作者没有声称在非高斯下也是 minimax 最优。
  • Theorem 2.2 的 beta-min 条件：\(\min |\beta_j| \geq C_2 \frac{\lambda_n}{n} n^{a_1}\)。在典型参数选择下，这等价于 \(\min |\beta_j| \geq C \sqrt{\log p / n}\)。但 Theorem 2.3 的下界也是 \(\sqrt{\log p / n}\)，所以这个条件在 Gaussian 子模型下是紧的。然而，在非高斯下，下界是否仍然是 \(\sqrt{\log p / n}\) 并未证明——作者只证明了 Gaussian 下界。
  • 多样本 Theorem 3.1 的证明：作者在附录中给出了完整的证明路线，但正文中只陈述了定理。证明结构几乎与两样本相同，只是将符号从标量响应推广到向量响应。没有给出多样本下的 minimax 下界，因此多样本检验的最优性未知。
  • "sparse discriminative set need not correspond to a sparse mean difference"（Section 1.2）：作者声称即使均值差是稠密的，只要判别参数 \(\beta\) 稀疏，检验仍可有效。但这个 claim 没有在模拟中直接验证——模拟中的均值差本身就是稀疏的（只有 \(\lceil 0.2\sqrt{p} \rceil\) 个非零分量）。因此，稠密均值差下的表现是一个开放问题。

四、开放问题

  1. 稠密均值差下的表现：作者声称稀疏判别集不等价于稀疏均值差，但模拟中均值差是稀疏的。扎根于 Section 1.2："A sparse discriminative set need not correspond to a sparse mean difference, so the proposed procedure can remain effective under some dense mean alternatives." 需要验证在均值差稠密但判别参数稀疏的设定下，检验是否仍有效。

  2. 非高斯下的 minimax 最优性：Theorem 2.3 的 minimax 下界仅在高斯子模型下成立。扎根于 Theorem 2.3 的陈述："Under Gaussianity of the underlying populations..." 在更一般的子 Weibull 分布下，minimax 可分离速率是什么？本文检验是否达到该速率？

  3. 多样本下的 minimax 最优性：多样本检验（Theorem 3.1）没有对应的 minimax 下界。扎根于 Section 3 末尾：Theorem 3.1 只给出了尺寸控制和一致性，没有速率最优性结果。多样本情形下的 minimax 可分离速率是什么？

  4. 强不可表示条件的必要性：条件 (A.1) 是 Lasso VSC 的充分条件，但作者提到可以用 adaptive Lasso 或 UniLasso 来避免。扎根于 Section 2.3："One can drop this irrepresentable condition if one considers weighted ℓ1-penalty like the adaptive Lasso (Zou [2006]) or UniLasso (Chatterjee et al. [2025])." 在本文框架下，使用 adaptive Lasso 或 UniLasso 是否能放松条件并保持计算效率？这需要重新分析 VSC 和 post-Lasso 推断。

  5. post-Lasso 估计量的方差估计：本文的检验统计量依赖于注入噪声技巧来校准阈值，而非直接估计 \(\hat{\beta}_n\) 的方差。扎根于 Section 2.2：检验统计量 \(T_n^{(1)}\) 的定义。能否构造一个基于方差估计的检验（如 Wald 型统计量），从而避免注入噪声？这需要一致地估计 \((E L_{11,n})^{-1}\) 的对角元，在高维稀疏设定下是一个非平凡的问题。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论