跳转至

Generalized Boundary FDR Control under Arbitrary Dependence: An Approach on Closure Principle

讲者: Yifan Zhang
会场: Advances in Statistical Inference and Machine Learning
报告题目: Online Generalized Boundary False Discovery Rate Control under Arbitrary Dependence via Closure Principle
链接: arXiv
来源: JCSDS 2026 · 返回会议总览

一、领域脉络与小综述

这个方向是什么

这个子方向是多重假设检验中的误差度量与控制，具体聚焦于边界假发现率（boundary False Discovery Rate, bFDR） 及其推广。根本问题是：在大量同时检验中，当研究者关心的是拒绝集中“最不显著”的那一批发现（即处于边界上的发现）的可靠性时，应该用什么误差度量、如何设计控制程序？这与经典的FDR（控制拒绝集中假发现的比例的期望）和FWER（控制至少一个假发现的概率）不同，它关注的是局部、而非全局的误差风险。当前该方向正处于从“概念提出”向“通用方法”过渡的阶段，主要挑战在于如何在任意依赖结构下实现有效控制。

发展脉络（history）

  1. 奠基工作：FDR与FWER的经典框架

    • Benjamini & Hochberg (1995)：提出FDR，成为大规模检验的标准误差度量。其BH程序在独立或PRDS假设下控制FDR。
    • Lehmann & Romano (2005)：将FWER推广为k-FWER（控制至少k个假发现的概率），并给出了在任意依赖下有效的Bonferroni型与stepdown程序。这为后续的“边界”控制提供了k-FWER这一概念工具。
    • Genovese & Wasserman (2004, 2006)：将FDP视为随机过程，并提出了FDX（假发现比例超标的概率）控制，这是对FDR的尾部概率强化。

  2. 主要进展：从全局到边界——bFDR的提出

    • Soloff, Xiang & Fithian (2024)：首次系统提出“边界假发现率”（bFDR）的概念，定义为“最后一个被拒绝的假设是假发现的概率”。他们提出了Support Line (SL) 程序来控制bFDR，但关键限制是该方法要求p值独立。
    • Xiang, Soloff & Fithian (2025)：进一步从频率学派角度形式化了bFDR，并建立了其与局部假发现率（lfdr）的联系。但控制方法仍依赖独立性假设。
    • Gao, Roquain & Xiang (2026)：将SL方法扩展到共形新颖性检测场景，但同样面临依赖结构的限制。

  3. 当前Frontier：e-value与闭包原则的复兴

    • Vovk & Wang (2021); Wang & Ramdas (2022)：系统引入e-value作为p-value的替代，其核心优势在于在任意依赖下，简单平均即可得到有效的合并检验。这为在复杂依赖下构建检验提供了新工具。
    • Xu, Solari, Fischer, de Heide, Ramdas & Goeman (2025)：提出了e-闭包原则（e-Closure Principle），声称这是所有控制期望损失的多重检验方法的必要且充分原则，统一了FDR、FWER等控制框架。这是本文最直接的理论竞争者。
    • Hartog & Lei (2025)：将闭包原则与e-value结合，用于FWER控制，并开发了高效算法。

  4. 本文的位置

    • 本文（Zhang et al., 2026）位于上述脉络的交叉点。它继承了Soloff等人对bFDR的关注，但放弃了独立性假设，转而利用闭包原则（从Marcus et al., 1976; Guo & Rao, 2010; Goeman & Solari, 2011 继承）和e-value（从Vovk & Wang, 2021; Wang & Ramdas, 2022 继承）来构建一个在任意依赖下都有效的bFDR控制框架。它还将bFDR推广为k-bFDR，以控制“最不显著的k个发现”的联合错误概率。

子线索聚类

  1. p-value方法：以Benjamini & Hochberg (1995)的BH程序为代表，依赖独立性或PRDS假设。SL程序（Soloff et al., 2024）也属于此类，但要求独立性。本文的Domino-P方法也属于此类，但通过闭包原则摆脱了依赖假设。
  2. e-value方法：以Wang & Ramdas (2022)的e-BH程序和Vovk & Wang (2021)的e-value合并为代表，其核心优势在于对依赖结构的鲁棒性。本文的Domino-E方法属于此类。
  3. 闭包原则方法：以Marcus et al. (1976)的原始闭包测试、Goeman & Solari (2011)的探索性分析框架、以及Xu et al. (2025)的e-闭包原则为代表。本文的Domino框架是闭包原则在边界控制上的一个新应用。

这个方向在追问的核心问题

  1. 如何定义“边界”风险？ bFDR只关注最不显著的一个，k-bFDR关注最不显著的k个。是否还有其他更精细的边界度量（如加权边界FDR）？
  2. 如何在任意依赖下实现有效控制？ 这是当前最核心的瓶颈。SL方法因依赖独立性而受限。闭包原则和e-value提供了两条可能的路径，但闭包原则的计算复杂度（指数级）是主要障碍。
  3. 如何平衡边界控制与整体发现力？ 边界控制（如bFDR）通常比全局控制（如FDR）更保守，会损失一些发现力。如何设计更高效的局部检验（k-local test）来减少这种损失？
  4. 边界控制与FDR/FWER的理论关系是什么？ 本文的Proposition 2.3给出了k-bFDR与k-FWER在全局零假设下的等价性，但一般情况下k-bFDR ≤ k-FWER。bFDR与FDR的关系更复杂，仅在单调性假设下FDR ≤ bFDR（Gao et al., 2026）。这些关系的完整刻画仍是开放问题。

⚠️ 作者的framing

  • 作者把缺口frame成什么？ 作者将现有bFDR控制方法（SL）的独立性假设定位为“限制了其在复杂机器学习任务中的适用性”的关键缺陷。因此，他们将自己的工作frame成“在任意依赖下提供bFDR控制”的显然的下一步。他们通过引入闭包原则和e-value，声称解决了这个依赖性问题。
  • 哪些竞争路线被他淡化或回避了？
    • 与FDR的直接比较：作者在Section 4中通过e-闭包原则讨论了bFDR与FDR的区别，但并未在理论上证明Domino在发现力上优于或可比于BH程序。在模拟中，Domino的Power通常低于BH（见Table 2），作者将此归因于“边界控制更严格”，但未深入讨论这种权衡是否在所有场景下都是最优的。
    • 计算复杂度的实际影响：虽然作者声称通过优化将复杂度从指数级降到了多项式级O(m²)，但该优化是针对特定局部检验（如广义Bonferroni和调和平均）的。对于更复杂的局部检验（如基于Simes的检验），其计算复杂度是否仍能保持多项式级？作者未明确讨论。
  • 什么明显该被引/该存在、却没出现在intro里？
    • Storey (2002) 的q-value方法：q-value是FDR的另一种常用估计，与BH程序紧密相关。虽然Storey (2003)的mFDR被提及，但q-value作为FDR控制的实际工具未被讨论。这可能是因为q-value同样不提供边界保证。
    • 基于置换/重抽样的FDR控制方法：例如Westfall & Young的minP/maxT方法。这些方法也能处理依赖结构，但通常用于FWER控制。作者未提及这些方法是否可以被改造用于bFDR控制。
    • 更广泛的“局部”误差度量：除了bFDR，还有“局部假发现率”（lfdr, Efron et al., 2001）。作者引用了Xiang et al. (2025)关于频率学派lfdr的工作，但未深入讨论lfdr与bFDR在概念和操作上的区别。lfdr是后验概率，而bFDR是频率学派概率，两者目标不同。

张力

未见明显对立引用。所有被引工作基本沿着“FDR → FWER → k-FWER → bFDR → 任意依赖下的bFDR”这一逻辑链条演进，彼此之间是补充和推广关系，而非矛盾。唯一的潜在张力在于闭包原则的保守性与发现力之间的权衡，但这更多是方法设计上的取舍，而非理论上的矛盾。

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：

    • \( m \)：待检验的假设总数。
    • \( H_j \)：第 \( j \) 个零假设，\( j = 1, \dots, m \)。
    • \( \theta_j \)：第 \( j \) 个假设的真实状态。\( \theta_j = 0 \) 表示 \( H_j \) 为真（null），\( \theta_j = 1 \) 表示 \( H_j \) 为假（alternative）。
    • \( H_0 = \{j: \theta_j = 0\} \)：所有真零假设的集合。
    • \( p_j \)：第 \( j \) 个假设的p-value。若 \( \theta_j = 0 \)，则 \( P(p_j \le u) \le u \) 对所有 \( u \in [0,1] \) 成立。
    • \( e_j \)：第 \( j \) 个假设的e-value。若 \( \theta_j = 0 \)，则 \( E[e_j] \le 1 \)。
    • \( R \subseteq [m] \)：拒绝集，即被判定为显著的假设的集合。
    • \( |R| \)：拒绝集的大小。
    • \( I_R^{(k)} \)：拒绝集 \( R \) 中“第 \( k \) 个最不显著”的假设的索引。对于p-value，这是第 \( k \) 大的p-value对应的索引；对于e-value，这是第 \( k \) 小的e-value对应的索引。\( I_R^{(1)} \) 就是最不显著的那个。
    • \( \alpha \)：名义水平（target level）。
    • \( k \)：k-bFDR中的参数，表示关注的边界假设个数。

  • 模型：

    • 这是一个多重假设检验问题。数据生成机制是：对于每个 \( j \)，我们观测到一个检验统计量（或其衍生量 \( p_j \) 或 \( e_j \)），该统计量的分布依赖于 \( \theta_j \)。
    • 我们不知道 \( \theta_j \) 的真实值，也不知道 \( p_j \) 或 \( e_j \) 之间的依赖结构（可以是任意依赖）。
    • 我们要估计的是 \( \theta_j \)，即哪些假设是显著的。我们通过构造一个拒绝集 \( R \) 来实现，并希望控制某种误差度量。

  • 可观测数据：

    • 可观测：对于每个假设 \( j \)，我们能观测到其p-value \( p_j \) 或e-value \( e_j \)。这些是用于决策的唯一数据。
    • 不可观测/潜在：\( \theta_j \)（真实状态）是未知的。我们只能通过 \( p_j \) 或 \( e_j \) 来推断它。我们想要但观测不到的是 \( \theta_j \) 的完整向量，以及 \( p_j \) 或 \( e_j \) 之间的联合分布。

第二步：讲最小内核

本文的最小内核是：如何控制“最不显著的那个发现是假发现”的概率（即bFDR，k=1）？

最简特例：假设我们只有 \( m=3 \) 个假设，观测到它们的p-value为 \( p_1, p_2, p_3 \)。我们想控制bFDR在水平 \( \alpha = 0.1 \)。我们不知道p-value之间的依赖关系。

核心思路（闭包原则）： 1. 定义“局部检验”：对于任意一个包含至少1个假设的子集 \( S \subseteq \{1,2,3\} \)，我们定义一个检验 \( \phi_S^1 \)，用来检验“\( S \) 中所有假设都是真零假设”这个交集假设。这个检验必须满足：如果 \( S \) 中所有假设都是真的，那么 \( \phi_S^1 = 1 \)（即拒绝这个交集假设）的概率不超过 \( \alpha \)。（这就是一个有效的1-局部检验）。 2. 构建“闭包条件”：假设我们想拒绝一个大小为 \( r \) 的候选拒绝集 \( R_r \)。设 \( M_{r,1} \) 是 \( R_r \) 中最不显著的那个假设的索引（即p-value最大的那个）。Domino的条件是：对于所有包含 \( M_{r,1} \) 的子集 \( S \)，其对应的局部检验 \( \phi_S^1 \) 都必须拒绝。 3. 为什么这能控制bFDR？ 假设最终拒绝集是 \( R \)，其最不显著的发现是 \( I_R^{(1)} \)。如果 \( I_R^{(1)} \) 是一个假发现（即 \( I_R^{(1)} \in H_0 \)），那么它必然属于真零假设集 \( H_0 \)。根据Domino条件，对于包含 \( I_R^{(1)} \) 的集合 \( S = H_0 \)，局部检验 \( \phi_{H_0}^1 \) 必须拒绝。但 \( H_0 \) 中所有假设都是真的，所以 \( \phi_{H_0}^1 \) 拒绝的概率被控制在 \( \alpha \) 以下。因此，\( I_R^{(1)} \) 是假发现的概率（即bFDR）也被控制在 \( \alpha \) 以下。

具体操作（以 \( m=3 \) 为例）： 1. 排序：将p-value从小到大排序：\( p_{(1)} \le p_{(2)} \le p_{(3)} \)。对应的假设索引为 \( \pi(1), \pi(2), \pi(3) \)。 2. 从大到小检查：从最大的候选拒绝集 \( R_3 = \{\pi(1), \pi(2), \pi(3)\} \) 开始。其最不显著的发现是 \( M_{3,1} = \{\pi(3)\} \)。 * 检查闭包条件：我们需要检查所有包含 \( \pi(3) \) 的子集 \( S \)。这些子集是：\( \{\pi(3)\}, \{\pi(1), \pi(3)\}, \{\pi(2), \pi(3)\}, \{\pi(1), \pi(2), \pi(3)\} \)。对于每个 \( S \)，我们都需要一个有效的1-局部检验 \( \phi_S^1 \) 来拒绝。 * 选择局部检验：在任意依赖下，一个简单的选择是调和平均p-value检验（公式7）：\( \phi_S^1 = 1 \) 当且仅当 \( \frac{e \ln |S|}{ \sum_{j \in S} 1/p_j } \le \alpha \)。 * 验证：如果对于所有这4个 \( S \)，调和平均检验都拒绝，那么条件 \( C(3) \) 成立，我们拒绝 \( R_3 \)。bFDR被控制。 * 如果不成立：我们尝试下一个候选集 \( R_2 = \{\pi(1), \pi(2)\} \)。其最不显著的发现是 \( M_{2,1} = \{\pi(2)\} \)。检查所有包含 \( \pi(2) \) 的子集：\( \{\pi(2)\}, \{\pi(1), \pi(2)\}, \{\pi(2), \pi(3)\}, \{\pi(1), \pi(2), \pi(3)\} \)。如果条件 \( C(2) \) 成立，则拒绝 \( R_2 \)。 * 如果都不成立：最终拒绝集为空或只包含最显著的那个（\( R_1 = \{\pi(1)\} \)），此时bFDR为0。

这个最小内核揭示了本文的核心数学操作：将bFDR控制问题转化为一个闭包测试问题。通过构造一个对“边界元素”的闭包条件，并利用有效的局部检验，可以保证边界元素是假发现的概率不超过 \( \alpha \)，而无需知道p-value之间的依赖结构。整个证明的关键在于，如果边界元素是假发现，那么它必然属于真零假设集 \( H_0 \)，而闭包条件强制要求对 \( H_0 \) 的局部检验必须拒绝，从而将bFDR上界与局部检验的size联系起来。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：提出了一个新的误差度量——k-边界假发现率（k-bFDR），用于控制拒绝集中最不显著的 \( k \) 个发现同时为假发现的概率，并研究其与FWER和FDR的关系。
  2. 核心工具/方法：基于闭包原则（Closure Principle），开发了一个名为Domino的统一框架，通过构造针对边界元素的“k-局部检验”和“闭包条件”，在任意依赖结构下实现对k-bFDR的控制，且兼容p-value和e-value。
  3. 主要结论：Domino算法在理论上严格证明了其对k-bFDR的控制（Theorem 3.4），并通过模拟和两个真实数据（CRISPR基因发现、S&P 500股票选择）展示了其在控制边界误差、提高发现集质量方面的有效性，优于依赖独立性假设的SL方法。

关键设定与假设

  • 设定：标准的多重假设检验设定，有 \( m \) 个假设，每个假设对应一个p-value或e-value。
  • 核心假设：
    • p-value的有效性：对于真零假设 \( H_j \)，其p-value \( p_j \) 满足 \( P(p_j \le u) \le u \) 对所有 \( u \in [0,1] \) 成立。
    • e-value的有效性：对于真零假设 \( H_j \)，其e-value \( e_j \) 满足 \( E[e_j] \le 1 \)。
    • k-局部检验的有效性：对于任意子集 \( S \)，其k-局部检验 \( \phi_S^k \) 必须满足：在 \( S \) 中所有假设都为真的条件下，\( P(\phi_S^k = 1) \le \alpha \)。这是Domino框架的唯一关键假设。
  • 相比已有文献的放宽/强化：
    • 放宽：完全放弃了对p-value或e-value之间依赖结构的任何假设（如独立性、PRDS）。这是对SL方法（Soloff et al., 2024）的根本性改进。
    • 强化：引入了“k-局部检验”这一概念，并对其有效性提出了要求。这实际上是将依赖结构带来的复杂性“封装”到了局部检验的设计中。如果局部检验设计得不好（如过于保守），整个Domino程序也会变得保守。

主要结果

  • 理论结果：

    • Proposition 2.3：建立了k-bFDR与k-FWER的关系。在全局零假设下，两者等价；一般情况下，k-bFDR ≤ k-FWER。这表明k-bFDR是一个比k-FWER更宽松的误差度量，允许更高的发现力。
    • Theorem 3.4：核心定理。证明Domino算法输出的拒绝集 \( R \) 满足 \( k\text{-bFDR}(R) \le \alpha \)。该证明简洁且优雅：如果边界集 \( M_{r,k} \) 是假发现，则它包含于真零假设集 \( H_0 \)。根据Domino条件，\( \phi_{H_0}^k = 1 \)。由于 \( \phi_{H_0}^k \) 是有效的k-局部检验，其拒绝概率 ≤ α，因此 \( P(M_{r,k} \subseteq H_0) \le \alpha \)，即k-bFDR ≤ α。这个证明不依赖于任何依赖结构。
    • Proposition 3.5：证明了基于e-闭包原则构造的检验 \( \phi_S^{k,\text{e-closure}} \) 是一个有效的k-局部检验。
    • Proposition 4.1：证明了当使用 \( \phi_S^{k,\text{e-closure}} \) 作为局部检验时，Domino与Xu et al. (2025)的e-闭包原则是等价的。这建立了Domino与最前沿的统一框架之间的联系。

  • 模拟结果：

    • Table 1 & Table 5：在多种相关结构（独立、弱正相关、强正相关、负相关）下，所有Domino变体（使用不同局部检验）都成功控制了k-bFDR，且TDR（真发现率）很高。而SL方法在弱正相关（ρ=0.25）下就出现了bFDR膨胀（Figure 2）。
    • Figure 2：直观展示了Domino-P和Domino-E在bFDR控制上的鲁棒性，而SL在非独立情况下失效。Domino的TDR也优于SL。
    • Figure 4-6：展示了Domino在不同信号比例、名义水平和信号强度下的稳健表现，始终控制k-bFDR，且TDR优于SL。

  • 真实数据结果：

    • CRISPR基因发现（Section 5.2）：
      • 数据：DepMap项目中的CRISPR-Cas9筛选数据，目标是识别对细胞生存必需的基因。
      • 方法应用：将基因效应分数转化为p-value，然后应用Domino、SL和BH程序。
      • 结果：
        • Figure 3：在边界处的50个发现中，BH程序有高达56.7%的假发现率（FDP），而Domino-P (k=1) 的FDP为0%。这生动展示了“搭便车”现象。
        • Table 2：在100次重抽样实验中，Domino的bFDR最低（0.04-0.06），TDR最高（>99%），而SL的bFDR高达0.19-0.32，BH的bFDR高达0.46-0.66。Domino的Power略低于SL和BH，但这是为了获得边界可靠性而付出的代价。
        • Table 3：展示了k-bFDR的灵活性。随着k增大，Power增加，但TDR略有下降，符合预期。
    • S&P 500股票选择（Section 5.3）：
      • 数据：S&P 500成分股2024-2025年的日收益率数据。
      • 方法应用：使用CAPM模型估计每只股票的α（超额收益），对α > 0进行单侧检验，得到p-value。基于p-value选择股票，构建等权“买入并持有”投资组合，在2025年样本外测试。
      • 结果：
        • Table 4：Domino (k=1) 选择的股票数量（9.35）略少于SL（9.62）和BH（9.91），但其投资组合的年化收益率（12.42%）高于SL（11.94%）和BH（12.35%）。这表明Domino选择的股票集质量更高，边界风险更低。

证明路线与技术技巧

  • 整体路线：

    1. 定义与构造：定义k-bFDR和有效的k-局部检验 \( \phi_S^k \)。
    2. 建立闭包条件：定义Domino条件 \( C(r) \)，要求所有包含边界集 \( M_{r,k} \) 的子集 \( S \) 都被 \( \phi_S^k \) 拒绝。
    3. 核心不等式：证明如果最终拒绝集 \( R \) 满足Domino条件，那么 \( 1\{M_{r,k} \subseteq H_0\} \le 1\{\phi_{H_0}^k = 1\} \)。这一步利用了 \( H_0 \) 是包含 \( M_{r,k} \) 的一个特定子集。
    4. 取期望：对不等式两边取期望，得到 \( k\text{-bFDR}(R) = P(M_{r,k} \subseteq H_0) \le P(\phi_{H_0}^k = 1) \le \alpha \)。最后一步由 \( \phi_{H_0}^k \) 的有效性保证。

  • 关键跳跃点：

    • 跳跃点：如何将bFDR的控制问题转化为对单个集合 \( H_0 \) 的检验问题？
    • 解决办法：通过Domino条件 \( C(r) \)，强制要求对所有包含边界集的 \( S \) 进行检验。由于 \( H_0 \) 是这样一个 \( S \)（如果边界集是假发现），因此对 \( H_0 \) 的检验必须通过。这个“强制”是闭包原则的核心力量，它将一个复杂的、依赖于未知 \( H_0 \) 的概率事件，与一个可设计的、已知size的检验联系了起来。

  • 技术技巧点名：

    • 闭包原则（Closure Principle）：整个框架的基石。用于将全局误差控制分解为一系列局部检验。
    • e-value与p-value的调和平均组合：用于在任意依赖下构造有效的1-局部检验。调和平均检验（公式7）利用了Vovk & Wang (2020)的结果，即缩放后的调和平均p-value在任意依赖下是有效的。
    • 广义Bonferroni检验：用于构造k-局部检验（公式5），简单且在任意依赖下有效。
    • e-闭包原则（e-Closure Principle）：用于构造基于e-value的k-局部检验（公式6），并建立了Domino与Xu et al. (2025)的联系。
    • 计算优化技巧：利用局部检验的单调性（如Bonferroni检验只依赖第k小的p-value，调和平均检验的单调性），将指数级的子集搜索简化为多项式级（O(m²)）的线性搜索。具体见Appendix C。

🔎 结论是否比证明窄

  • Theorem 3.4 的证明是严格的，其结论“Domino算法输出的拒绝集满足 \( k\text{-bFDR}(R) \le \alpha \)”是精确的，没有泛化。
  • 然而，作者在Summary中声称“Domino can guarantee error control under arbitrary dependence”。这个说法是准确的，因为证明不依赖任何依赖假设。
  • 作者在Introduction中声称Domino“bridges the gap between theoretical rigor and practical utility”。这个说法在理论上是成立的，但在“practical utility”上，其计算复杂度（虽然优化到O(m²)）和保守性（相比BH）是实际应用中的限制。作者在Summary中也承认了这一点：“The general theoretical nature of Domino... entails a potential trade-off in testing power.”
  • 一个潜在的窄结论：作者在Proposition 4.1中证明了Domino与e-闭包原则在特定局部检验下的等价性。但作者随后声称“Domino’s modularity allows for the integration of diverse k-local tests that may strictly outperform the standard e-closure principle.” 这个“may strictly outperform”是一个未经证明的claim。作者在模拟中展示了使用Simes检验的Domino-P比使用e-闭包原则的Domino-E有更高的Power，但这并非严格的理论证明，且依赖于独立性假设。在任意依赖下，是否存在一个通用的、比e-闭包原则更优的k-局部检验，是一个开放问题。

四、开放问题（点到为止，扎根具体语句）

  1. 自适应依赖结构的更高效局部检验：作者在Summary中指出：“when additional information suggests the presence of specific dependence patterns... the Domino method may not fully exploit these conditions... This motivates future research on designing more efficient strategies that adapt to known dependence structures while maintaining k-bFDR control.” （扎根于Summary最后一段）。这是一个明确的开放问题：如何设计一个能自动“感知”并利用依赖结构（如弱相关、团状结构）的k-局部检验，以在保证控制的前提下提高Power？

  2. 数据驱动的k值选择：作者在Appendix D中讨论了k的选择，指出“a data-driven approach to selecting k would be desirable... this problem is highly challenging, as it introduces issues of ‘double-dipping’.” （扎根于Appendix D）。如何开发一个理论上有效的、数据驱动的k值选择方法，避免“双重 dipping”，是一个重要的开放问题。

  3. 与FDR的更深入理论比较：作者在Section 4中通过e-闭包原则讨论了bFDR与FDR的区别，但并未给出一个统一的、量化的比较。例如，在什么条件下，控制bFDR的Domino程序在发现力上可以接近或达到控制FDR的BH程序？是否存在一个“bFDR-FDR trade-off”的精确刻画？这需要更深入的理论分析。

  4. 计算复杂度的进一步优化：虽然作者将复杂度降到了O(m²)，但对于超大规模（m > 10^6）的基因组学应用，O(m²)可能仍然过高。是否存在更高效的算法，例如利用子集检验的单调性或并行计算，将复杂度降到O(m log m)或更低？这需要针对特定局部检验进行算法设计。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论