Gaussian-efficient testing by betting on the mean of bounded data¶

作者: Diego Martinez-Taboada, Aaditya Ramdas
主题: 数理统计 / 假设检验
相关性: 7/10
链接: https://arxiv.org/abs/2608.21694

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向解决的根本问题是：如何为有界数据的均值构造一个置信区间，该区间同时满足三个有时相互冲突的目标：(1) 鞅有效性——在数据仅满足条件期望恒为 μ 的鞅差模型下，区间具有有限样本覆盖保证；(2) iid 高斯效率——当数据独立同分布时，区间宽度渐近匹配中心极限定理给出的最优宽度 2σz₁₋δ/₂/√n；(3) 高效计算——置信集对每个数据序列都是一个区间（凸集），从而可通过二分法快速找到端点。该方向当前成熟度较高，已有大量经典浓度不等式和有限样本构造，但将上述三个目标同时实现（尤其是前两个）是长期未解决的问题。

发展脉络（history）¶

奠基工作：经典浓度不等式（Bennett, 1962; Hoeffding, 1963; Azuma, 1967; Freedman, 1975）为有界鞅差序列提供了分布自由的有限样本控制，但它们的宽度通常不随观测方差自适应，且渐近效率远差于 CLT 基准。

主要进展（经验 Bernstein 与有限样本高斯构造）：Maurer and Pontil (2009) 提出经验 Bernstein 界，使区间宽度能自适应于样本方差。Austern and Mackey (2022) 提出有限样本高斯近似，试图逼近 CLT 宽度。Gaffke (2005) 的 Dirichlet 随机化区间（后经 Learned-Miller and Thomas, 2020; Vlassis and Thomas, 2026; Ming et al., 2026 改进）成为独立同分布设定下经验上的最先进方法。作者引用 Ming et al. (2026) 指出，Gaffke 区间“在有限样本置信区间中曾是经验上的最先进方法”，但“在鞅依赖下无效”。

当前 frontier（赌注策略）：Waudby-Smith and Ramdas (2024) 开创性地将“通过赌注进行检验”框架应用于有界均值，构造了方差自适应的赌注区间（Hedged-CI），首次在鞅依赖下实现了有限样本有效性和方差自适应性。Voráček and Orabona (2026) 提出 STaR-Bets，通过在每个时间点重新计算目标来改进赌注策略，作者称其为“鞅依赖设定下的经验最先进方法”，但“未被证明能严格改善其他经验 Bernstein 构造的宽度”。Shekhar and Ramdas (2023) 研究了赌注区间的近最优性。

本文的位置：本文在上述脉络中，首次通过追踪一个辅助高斯实验中最优固定水平检验的条件拒绝概率，设计出赌注比例，从而在保持鞅有效性的同时，实现了 iid 下的高斯效率。作者明确将此前赌注方法的低效归因于它们追踪了错误的终端事件（指数检验函数或路径依赖的屏障击中事件），而非 Neyman-Pearson 最优事件。

子线索聚类¶

经典浓度不等式与有限样本构造：Bennett, Hoeffding, Azuma, Freedman, de la Peña, Bercu and Touati, Bentkus, Pinelis, Kuchibhotla。这些工作提供分布自由的概率界，但通常不追求渐近效率或方差自适应性。
经验 Bernstein 与有限样本高斯方法：Maurer and Pontil, Anderson, Fishman, Rosenblum and van der Laan, Austern and Mackey, Gaffke, Learned-Miller and Thomas, Vlassis and Thomas, Ming et al.。这些方法利用样本方差或分布包络来收紧区间，但多数依赖独立性假设。
赌注策略（e-value / 检验超鞅）：Waudby-Smith and Ramdas, Voráček and Orabona, Shekhar and Ramdas, Taga et al., Clerico et al., Baas et al.。这些方法通过构造非负赌注过程来生成 e-value，在鞅依赖下有效，但此前的方法在 iid 下无法达到高斯效率。
无放回抽样的浓度与赌注：Hoeffding, Serfling, Bardenet and Maillard, Waudby-Smith and Ramdas, Shekhar and Ramdas。这些工作处理有限总体无放回抽样的特殊依赖结构，本文将其扩展至高斯桥设计。

这个方向在追问的核心问题¶

能否同时实现鞅有效性和 iid 高斯效率？ 此前赌注方法（如 STaR-Bets）在 iid 下收敛到比 CLT 更宽的极限，而 Gaffke 区间虽高斯有效但依赖独立性。本文正面回答了这个问题。
赌注策略的效率损失根源是什么？ 作者通过条件高斯 e-value 框架揭示，产品赌注和 STaR 赌注分别追踪指数检验函数和屏障击中事件，而非最优的终端 Neyman-Pearson 事件，这解释了它们的宽度惩罚。
如何将赌注设计推广到无放回抽样？ 无放回抽样的中心化部分和在耗尽总体时必为零，其高斯极限是布朗桥而非布朗运动。本文展示了如何通过追踪布朗桥的最优终端事件来设计赌注。
赌注策略的置信集何时是区间？ 候选依赖的方差估计可能导致置信集不连通。本文证明，当使用共享的可预测方差估计时，基于最大值的反演在每条样本路径上都是区间。

⚠️ 作者的 framing¶

作者将缺口 frame 成：“此前赌注方法（产品赌注、STaR-Bets）虽然鞅有效，但在 iid 下无法达到高斯效率，因为它们的赌注比例追踪了错误的终端事件。” 本文的“显然的下一步”是：“通过追踪最优固定水平高斯检验的条件拒绝概率来设计赌注比例，从而同时实现鞅有效性和 iid 高斯效率。”

被淡化或回避的竞争路线： - Gaffke 区间（及其改进）是独立同分布设定下经验上的最先进方法，但作者将其限制为“独立性基准”，并强调其“在鞅依赖下无效”。然而，在许多实际应用中，独立性假设是合理的，Gaffke 区间可能仍是更实用的选择。作者通过模拟表明，随机化 GE-betting 通常比 Gaffke 更窄，但确定性版本“与 Gaffke 竞争”，这暗示了鞅有效性可能以有限样本宽度为代价。 - 作者未深入讨论 Bentkus-Pinelis 近最优浓度不等式（仅在附录 B 中提及），这些不等式在理论上提供了比指数 Chernoff 界更紧的界，但作者将其视为“通过平方铰链赌注”的替代方案，而非主要竞争路线。

什么明显该被引 / 该存在、却没出现在 intro 里？ - 作者未引用 Kuchibhotla and Zheng (2021) 关于近最优置信序列的工作，该工作也使用了 Bentkus 界。这可能是因为该工作关注的是置信序列（anytime-valid）而非固定水平区间，但两者在技术上高度相关。 - 作者未引用 Orabona and Jun (2024) 的通用投资组合方法（PRECiSE-A-CO96），该方法在附录 C 的置信序列实验中作为基准出现，但未在 intro 中提及。这可能是因为该方法更侧重于置信序列而非固定水平区间。

张力¶

未见明显对立引用。所有被引工作基本沿着“更紧的界 → 更自适应的构造 → 更广泛的依赖结构”这一方向推进，彼此之间没有根本性矛盾。唯一的张力可能存在于“独立性假设下的最优性”与“鞅依赖下的有效性”之间，但本文通过同时实现两者来调和了这一张力。

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： - μ：未知的总体均值（参数 / estimand），取值范围 [0,1]。 - X₁, …, Xₙ：可观测的随机变量序列，每个取值在 [0,1] 内。 - ℱᵢ：到时间 i 为止的σ-代数（历史信息）。 - n：固定样本量（已知）。 - δ：双边检验的显著性水平（例如 0.01），置信水平为 1-δ。 - m：候选均值（用于检验 Hₘ: μ = m）。 - K⁺ₜ(m), K⁻ₜ(m)：在候选均值 m 下，上尾和下尾的赌注财富过程（e-value 过程）。初始值 K⁺₀ = K⁻₀ = 1。 - λ⁺ᵢ(m), λ⁻ᵢ(m)：在时间 i 用于上尾和下尾的可预测赌注比例（在观测 Xᵢ 之前确定）。 - δ/2：单边检验的误差分配。财富过程的拒绝阈值为 2/δ。 - Φ, φ, z_q：标准正态分布的累积分布函数、概率密度函数和 q 分位数。 - ψ(p) = φ{Φ⁻¹(p)} / p：GE-betting 的核心函数，定义在 (0,1) 上，ψ(0)=∞, ψ(1)=0。 - b̂ᵥₜ：共享的可预测方差估计量（公式 1.3），用于所有候选均值和两个财富过程。 - U⁺, U⁻：用于随机化 Markov 校准的独立均匀随机变量。

模型： - 数据生成机制：X₁, …, Xₙ 是适应于滤子 {ℱᵢ} 的 [0,1]-值随机变量，满足常数条件均值假设：E[Xᵢ | ℱᵢ₋₁] = μ 对所有 i 成立。不要求独立性，条件方差和高阶矩可以随历史变化。这是鞅差模型。 - 已知：样本量 n，显著性水平 δ，观测值 Xᵢ 的有界性 [0,1]。 - 要估的对象：未知均值 μ。

可观测数据： - 实际能观测到：序列 X₁, …, Xₙ 的实现值。研究者知道每个 Xᵢ 的值。 - 可计算的量：基于历史数据，可以计算可预测的方差估计 b̂ᵥₜ₋₁（公式 1.3），以及每个候选均值 m 下的财富过程 K⁺ₜ(m), K⁻ₜ(m)。 - 想要但观测不到：真实的均值 μ。研究者只能通过假设（条件均值假设）和观测数据来推断 μ 的置信区间。

第二步：讲最小内核¶

最简特例：假设数据是独立同分布的，且方差 σ² > 0 已知。样本量 n 很大。我们想检验 H₀: μ = m 对 H₁: μ > m（单边），显著性水平 δ/2。

在这个特例下，核心问题退化成什么？ 在已知方差 σ² 的 iid 高斯数据下，最优检验是 z-检验：当 √n( X̄ₙ - m) / σ ≥ z₁₋δ/₂ 时拒绝。其 p 值为 Φ{ √n(m - X̄ₙ) / σ }。本文的核心思路是：在有限样本、有界、非高斯的数据上，通过赌注策略来“模拟”这个最优高斯检验的行为。

核心思路（一看就懂）： 1. 想象一个辅助的高斯实验：假设我们观测到的是标准布朗运动 Wₜ（t ∈ [0,1]），想检验漂移项 h=0 对 h>0。最优固定水平检验（Neyman-Pearson）在 t=1 时拒绝当且仅当 W₁ ≥ z₁₋δ/₂。这个事件的概率（在 h=0 下）是 δ/2。 2. 计算条件拒绝概率：在时间 t（0 ≤ t < 1），给定当前观测值 Wₜ = x，未来增量 W₁ - Wₜ 是均值为 0、方差为 1-t 的独立高斯噪声。因此，给定当前信息，最终拒绝事件发生的条件概率为： pₜ = P₀(W₁ ≥ z₁₋δ/₂ | Wₜ = x) = Φ{ (x - z₁₋δ/₂) / √(1-t) }. 这个 pₜ 是一个在零假设下均值为 δ/2 的鞅。 3. 从条件概率到赌注比例：将条件概率 pₜ 视为“财富”除以目标阈值 2/δ，即 Kₜ = (2/δ) pₜ。那么 Kₜ 是一个均值为 1 的鞅。通过伊藤公式，可以求出 Kₜ 对当前观测值 Wₜ 的导数，即每单位布朗运动增量应赌注的财富比例： dKₜ / Kₜ = [ψ(pₜ) / √(1-t)] dWₜ, 其中 ψ(p) = φ{Φ⁻¹(p)} / p. 这就是 GE-betting 的核心公式（公式 1.2 的连续时间版本）。 4. 转移到有界数据：对于有界数据 Xᵢ，我们无法观测到布朗运动。但我们用可预测的方差估计 b̂ᵥₜ₋₁ 来估计剩余方差，用中心化的观测值 Xᵢ - m 来近似布朗运动增量。于是，离散时间的赌注比例为： ℓ⁺ᵢₙ(m) = ψ{(δ/2)K⁺ᵢ₋₁(m)} / √{(n-i+1) b̂ᵥₜ₋₁}. 这个比例乘以 (Xᵢ - m) 就是财富的更新量（公式 1.5）。 5. 为什么这能实现高斯效率？ 关键在于一个精确的抵消。令 pᵢ = (δ/2)Kᵢ，qᵢ = Φ⁻¹(pᵢ)。在忽略截断和边界效应的理想情况下，更新公式 pᵢ - pᵢ₋₁ = φ(qᵢ₋₁) (Xᵢ - m) / √{(n-i+1) b̂ᵥₜ₋₁} 意味着 qᵢ 的一阶变化近似为 (Xᵢ - m) / √{(n-i+1) σ²}。因此，qₙ 近似等于标准化检验统计量 √n( X̄ₙ - m) / σ。当 m 使得这个统计量超过 z₁₋δ/₂ 时，qₙ 会趋于 +∞（财富达到阈值 2/δ，拒绝）；否则 qₙ 趋于 -∞（财富趋于 0，接受）。这就复现了 z-检验的行为。

一句话总结：GE-betting 的核心数学操作是将赌注比例设为最优高斯检验的条件拒绝概率对当前观测值的导数，从而使得财富过程的“正态分位数变换” qᵢ 近似等于标准化样本均值，最终实现与 CLT 匹配的渐近宽度。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：针对满足常数条件均值假设的 [0,1]-值随机变量序列，构造一个同时满足鞅有效性、iid 高斯效率和高效计算（置信集为区间）的均值置信区间。
核心工具/方法：提出“高斯有效赌注”（GE-betting），其赌注比例通过追踪一个辅助高斯实验中最优固定水平检验（Neyman-Pearson 检验）的条件拒绝概率来设计，并利用共享的可预测方差估计确保反演为区间。
主要结论：定理 5.1 证明该区间在鞅差模型下有限样本有效，在 iid 下宽度几乎必然收敛到 CLT 基准 2σz₁₋δ/₂/√n。定理 7.1 将相同设计推广到无放回抽样，证明其有限总体有效性和高斯效率。模拟表明，随机化 GE-betting 在所有测试分布上优于此前最先进的 Gaffke 区间和 STaR-Bets。

关键设定与假设¶

常数条件均值假设（公式 3.1）：E[Xᵢ | ℱᵢ₋₁] = μ。这是鞅有效性的核心假设，比独立性弱得多。相比 Waudby-Smith and Ramdas (2024) 和 Voráček and Orabona (2026)，本文未引入额外假设。
有界性：Xᵢ ∈ [0,1]。这是保证赌注非负性截断（公式 1.4 中的 c/m 和 c/(1-m)）有效的前提。相比 Gaffke (2005) 等独立性方法，本文不要求分布连续或已知。
可预测性：赌注比例 λ⁺ᵢ(m), λ⁻ᵢ(m) 必须在观测 Xᵢ 之前确定（基于 ℱᵢ₋₁）。这是保证财富过程为鞅（或超鞅）的关键。
共享方差估计：所有候选均值 m 和两个财富过程使用同一个可预测方差估计 b̂ᵥₜ（公式 1.3）。这是保证反演为区间（命题 6.1）的关键。相比 Voráček and Orabona (2026) 的候选依赖 STaR 实现，这是一个强化的假设，但作者在附录 A.2 中通过模拟表明，共享估计的宽度损失很小甚至为负。
iid 效率分析假设：在定理 5.1 和 7.1 的效率部分，假设数据是 iid 的（或三角阵列满足比例抽样）。这是为了推导渐近宽度，不是有限样本有效性的前提。
无放回抽样假设（第 7 节）：总体 x₁:ₙ ∈ [0,1]ᴺ 固定，以均匀随机顺序揭示。这是标准设定，与 Waudby-Smith and Ramdas (2024) 一致。

主要结果¶

定理 5.1（有放回抽样的有效性和高斯效率）： - 陈述：对于满足常数条件均值假设的 [0,1]-值观测，使用共享方差估计 b̂ᵥₜ（公式 1.3）和确定性 Markov 校准（U⁺=U⁻=1）构造的区间 Iₙ，在每条样本路径上都是区间，且 P{μ ∈ Iₙ} ≥ 1-δ。随机化版本 Iₙ(U⁺,U⁻) 同样有效且区间值。 - 效率：若观测 iid，μ∈(0,1)，方差 σ²>0，则 √n len(Iₙ) / (2σ) → z₁₋δ/₂ 几乎必然。 - 直觉：有限样本有效性来自赌注过程的超鞅性质和 Markov/Ville 不等式。区间值来自共享方差估计和 σ_eff(p) = φ{Φ⁻¹(p)} 的凹性。效率来自 qᵢ 对标准化样本均值的近似追踪（证明路线中的关键抵消）。 - 解决的技术难点：如何将连续时间高斯设计中的赌注比例（公式 5.2）离散化并转移到有界数据，同时保持鞅有效性（通过截断和吸收边界）和渐近效率（通过证明 qᵢ 的泰勒展开中二次项与桥时钟的抵消）。

定理 7.1（无放回抽样的有效性和高斯效率）： - 陈述：对于固定总体 x₁:ₙ ∈ [0,1]ᴺ 和样本量 n < N，使用高斯桥设计（公式 1.7）构造的区间 Iᵇʳ_ₙ,ₙ 在每条样本路径上都是区间，且 P{μₙ ∈ Iᵇʳ_ₙ,ₙ} ≥ 1-δ。 - 效率：在三角阵列和比例抽样 n/N → ρ∈(0,1) 下，宽度除以有限总体高斯宽度 2z₁₋δ/₂ τ_ₙ,ₙ 几乎必然收敛到 1。 - 直觉：无放回抽样的中心化部分和在耗尽总体时必为零，其高斯极限是布朗桥。高斯桥设计中的方差时钟（公式 7.3）和赌注比例（公式 7.6）自然包含了有限总体校正。证明中，桥时钟的递减与 Φ⁻¹ 变换的曲率精确抵消（公式 E.23 中的二次项），使得 qᵢ 追踪标准化 Doob 鞅。 - 解决的技术难点：如何将布朗桥设计中的赌注比例（公式 7.6）离散化，并证明桥时钟的离散版本（公式 E.16）与 Φ⁻¹ 曲率的抵消在有限样本下仍然近似成立。

证明路线与技术技巧¶

定理 5.1 证明路线（4 步）： 1. 有限样本有效性和区间几何：直接验证。在 μ=m 下，中心化增量条件期望为零，赌注比例可预测，截断保持非负，因此财富过程是超鞅。Markov 不等式和 union bound 给出覆盖。σ_eff(p) = φ{Φ⁻¹(p)} 的凹性（二阶导为负）和共享方差估计确保反演为区间（命题 6.1）。 2. 强预终端追踪：在最后 kₙ = √n {log(n+1)}⁸ 个观测之前，对 qᵢ = Φ⁻¹{(δ/2)Kᵢ} 进行泰勒展开。关键步骤是公式 (E.4)：√(rᵢ₋₁) qᵢ - √rᵢ qᵢ₋₁ ≈ (Xᵢ - m)/σ + 可忽略的余项。这里 rᵢ = n-i+1。这个展开利用了恒等式 (Φ⁻¹)'(p) φ{Φ⁻¹(p)} = 1（公式 5.4），使得 qᵢ 的一阶变化不依赖于当前财富。通过控制方差估计误差和泰勒余项，证明 qⱼₙ 近似等于标准化部分和 √n( X̄ⱼₙ - m)/σ。 3. 可加性终端极化：处理最后 kₙ 个观测。利用对数尾概率变换 H⁺(q) = log{1-Φ(q)} 和 H⁻(q) = log Φ(q)，以及逆 Mills 比 λ⁺(q) = φ(q)/{1-Φ(q)}，λ⁻(q) = φ(q)/Φ(q)，证明如果预终端 qⱼₙ 为正且足够大，则最终财富几乎必然达到拒绝阈值；如果为负且足够小，则最终财富几乎必然保持接受。误差概率可加。 4. 从网格决策到区间端点：利用单调性（上尾财富非增于 m，下尾非减于 m），将网格上的决策转化为区间端点的几乎必然界限，最终得到宽度收敛。

关键跳跃点： - 公式 (5.4) 的恒等式：这是整个效率证明的基石。它使得 qᵢ 的更新方程中，当前财富 pᵢ₋₁ 的影响被精确抵消，从而 qᵢ 近似为标准化观测值的累积和。这是 GE-betting 区别于产品赌注和 STaR 赌注的核心。 - 泰勒展开中二次项的抵消：在公式 (E.4) 中，来自 Φ⁻¹ 曲率的项 qᵢ₋₁ Y² / (2r b̂ᵥ) 与来自 √r 替换的项 -qᵢ₋₁/(2r) 精确抵消，因为 E[Y² | ℱᵢ₋₁] ≈ σ² 且 b̂ᵥ 估计 σ²。这个抵消保证了 qᵢ 的更新方程中不出现累积的二次偏差。 - 终端极化的对数尾概率方法：在最后 kₙ 个观测中，单个标准化增量可能不小，无法使用泰勒展开。作者改用 H⁺ 和 H⁻ 变换，利用 Mills 比和 Hoeffding 不等式来证明极化，避免了小增量假设。

技术技巧点名： - empirical process / 鞅差序列的 Bernstein 不等式：用于控制方差估计误差和泰勒余项（步骤 2）。 - Φ⁻¹ 变换与恒等式 (5.4)：将财富过程转化为近似标准化部分和。 - 逆 Mills 比与对数尾概率变换：用于处理终端极化（步骤 3），无需小增量假设。 - Borel-Cantelli 引理与重对数律：用于将逐点收敛转化为几乎必然收敛。 - 共享方差估计与 σ_eff 的凹性：用于证明区间值（命题 6.1）。

真实例子与应用¶

本文包含广泛的模拟实验，但没有真实数据例子。

数据/场景：九个有界分布，包括六个标准分布（Beta(2,2), Beta(1,5), Beta(1/2,1/2), Uniform(0,1), Bernoulli(.5), Bernoulli(.1)）和三个低方差分布（Beta(50,50), Beta(20,80), Uniform(.45,.55)）。样本量从 10 到 10⁶。
如何应用：对于每个分布和样本量，生成独立同分布数据，计算 GE-betting 区间（公式 1.3-1.6），并与产品赌注、STaR-Bets、Gaffke 区间比较。比较确定性 Markov 校准和均匀随机化 Markov 校准。
结果：图 4 显示，GE-betting 的 √n 标度宽度迅速接近 CLT 基准（虚线）。随机化 GE-betting 在所有分布和大样本下优于 Gaffke 和 STaR-Bets。确定性 GE-betting 优于 STaR-Bets，与 Gaffke 竞争，在低方差设定下更窄。
例子想说明什么：验证理论效率（GE-betting 的宽度收敛到 CLT 基准），展示相对于现有最先进方法的优势（尤其是随机化版本），并说明鞅有效性不必以经验宽度为代价。

无放回抽样实验（图 5, 6）：类似设计，总体大小 N=4000，抽样比例 ρ 从 0.1 到 0.9。GE-betting 区间与 WSR 运行交集、Bardenet-Maillard 区间、Shekhar-Ramdas 区间比较。结果再次显示 GE-betting 最接近高斯有限总体基准，且优于所有比较方法。

🔎 结论是否比证明窄¶

定理 5.1 的效率结论：证明中假设 μ∈(0,1) 且 σ²>0。对于 μ=0 或 μ=1 的边界情况，方差为零，CLT 基准不适用，定理未覆盖。作者在公式 (1.4) 中通过定义 c/m 和 c/(1-m) 为无穷大来处理边界候选，但效率分析排除了这些情况。
“几乎必然”收敛：定理 5.1 的效率结论是几乎必然收敛，而非依概率收敛或有限样本界。证明依赖于 Borel-Cantelli 引理和重对数律，因此是一个渐近结果，不提供有限样本的宽度保证。
随机化版本的效率：定理 5.1 仅对确定性版本 Iₙ(1,1) 证明了几乎必然收敛到 CLT 基准。对于随机化版本 Iₙ(U⁺,U⁻)，作者仅指出“由于 Iₙ(U⁺,U⁻) ⊆ Iₙ(1,1) 逐路径成立，iid 结论也给出 limsup √n len{Iₙ(U⁺,U⁻)} ≤ 2σz₁₋δ/₂ 几乎必然”。这意味着随机化版本可能比 CLT 基准更窄（这是好事），但定理未证明其宽度恰好收敛到 CLT 基准（可能更窄）。
“经验上最先进”的声称：作者在结论中说“GE-betting 实现了迄今为止最紧的有界数据置信区间”。这是一个经验声称，而非定理。作者也谨慎地指出“这是经验比较而非支配定理”。该声称依赖于所选的九个分布和比较方法，不能保证在所有分布下都成立。
无放回抽样的效率：定理 7.1 的效率结论要求三角阵列和比例抽样 n/N → ρ∈(0,1)。对于 n/N → 0（抽样比例趋于 0）或 n/N → 1（几乎普查）的边界情况，定理未覆盖。当 n/N → 0 时，无放回抽样退化为有放回抽样，布朗桥退化为布朗运动，GE-betting 应自动退化为有放回版本，但定理未明确证明这一点。

四、开放问题¶

更广泛的 e-value 效率理论：作者在结论中提出，“对于给定的局部统计实验，刻画哪些拒绝区域可以被非负赌注过程追踪而不产生一阶损失，并得到匹配的下界。” 这扎根于论文第 8 节第一段：“this conditional-e-value construction suggests a broader efficiency theory for e-values.” 这是一个开放的理论问题，需要定义“可追踪性”并建立上界。
扩展到有界观测之外：作者提出，“将已知范围替换为条件矩或尾部假设，同时保留有限样本有效的 e-value 和高斯效率。” 这扎根于第 8 节第二段：“the construction could be extended beyond bounded observations.” 可能的工具包括“可预测截断和混合 e-value”，但如何实现尚不清楚。
方差、向量值均值、矩阵值均值的 GE-betting：作者列举了多个扩展方向（第 8 节），包括方差推断（Maurer and Pontil, 2009; Catoni, 2012; Martinez-Taboada and Ramdas, 2025）、欧几里得或光滑 Banach 空间中的向量值均值（Pinelis, 1994; Catoni and Giulini, 2018; Martinez-Taboada and Ramdas, 2026a）、自归一化构造（de la Peña et al., 2004; Clerico et al., 2025; Martinez-Taboada et al., 2026b）和矩阵值均值（Tropp, 2012; Wang and Ramdas, 2025; Martinez-Taboada and Ramdas, 2026b）。这些方向的核心挑战是：如何为这些更复杂的参数设计一个“辅助高斯实验”，并从中导出可追踪最优终端事件的赌注比例。
GE-betting 与高阶 U-统计量的连接：本文的 GE-betting 方法本质上是一个一阶统计量的推断问题。对于研究者感兴趣的高阶 U-统计量（如 Kendall's τ、方差估计、高阶相关），能否设计类似的赌注策略？这需要构造一个“辅助高斯实验”，其中终端统计量是 U-统计量（而非样本均值），并计算其条件拒绝概率。这可能涉及更复杂的随机过程（如 U-过程）和更精细的泰勒展开。这是一个高风险的开放问题，但若成功，将直接连接研究者的两个核心兴趣领域。

Maintained by 陈星宇 · Homepage · Source on GitHub