Structure–Adaptive Sequential Testing for Online False Discovery Rate Control
用于在线错误发现率控制的结构自适应序贯检验AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论通用在线多重检验及错误预算分配，数据随时间到达本身不足以确定其属于宏观时间序列或其他所列细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用于在线错误发现率控制的结构自适应序贯检验
- 研究问题
- 当假设以数据流方式依次到达且必须即时决策时，如何分配错误预算，适应随时间变化的结构，并维持在线错误发现率控制？
- 方法与思路
- 作者提出结构自适应序贯检验 SAST，以新的 alpha-investing 算法描述错误预算的增减，并动态学习阈值及跨时期分配。
- 材料陈述的贡献
- 摘要称理论与数值结果支持 SAST 的渐近在线错误发现率控制，并显示其在所比较的在线检验规则中具有检验力提升。
- 阅读关注点
- 应核对数据流结构与依赖条件、阈值学习可使用的信息，以及渐近控制的具体定义和错误预算耗尽时算法如何运作。
- 阅读边界
- 来源为稿件版本未注明的索引摘要，无法判断刊本变化；摘要仅明确称渐近有效，不能据此推断任意有限时点均有精确控制。
原文摘要
Consider the online testing of a stream of hypotheses where a real-time decision must be made before the next data point arrives. The error rate is required to be controlled at all decision points. Conventional simultaneous testing rules are no longer applicable due to the more stringent error constraints and absence of future data. Moreover, the online decision-making process may come to a halt when the total error budget, or alpha-wealth, is exhausted. This work develops a new class of structure-adaptive sequential testing (SAST) rules for online false discovery rate (FDR) control. A key element in our proposal is a new alpha-investing algorithm that precisely characterizes the gains and losses in sequential decision making. SAST captures time varying structures of the data stream, learns the optimal threshold adaptively in an ongoing manner and optimizes the alpha-wealth allocation across different time periods. We present theory and numerical results to show that SAST is asymptotically valid for online FDR control and achieves substantial power gain over existing online testing rules.