核心发现
方法论
本文提出将多重检验中的e-process取上确界（supremum），并引入调整器（adjusters）确保在任意依赖结构下实现FDR的超控。通过定义e-process的运行最大值，结合调整器转化为e-process，从而实现对FDR-sup的严格控制。论文分析了e-BH在依赖环境下的局限性，提出了基于调整器的改进方案，并证明了其在复杂依赖条件下的有效性。实验中采用模拟数据验证了该方法在依赖性强的场景下的FDR控制效果优于传统方法。
关键结果
- 在模拟依赖环境中，e-BH未能控制FDR，实际水平达到1.08倍α，而调整器后的方法能有效控制在α以下，验证了理论保证。
- 通过引入调整器A1和A2，显著改善了FDR控制的稳健性，且在高依赖性场景下保持较高的检测能力。
- 实验证明，基于最大值的e-BH在依赖性强时失效，而调整后方案能在保持较高功效的同时确保FDR超控，验证了理论推导的正确性。
研究意义
该研究突破了e-process在多重检验中的应用限制，提供了一套在复杂依赖环境下实现FDR超控的理论框架。对于大规模数据分析、基因组学、神经科学等领域具有重要意义，解决了传统方法在依赖性强时FDR失控的问题，推动了无忧多重检验的理论与实践发展。
技术贡献
本文创新性地提出将多重检验的e-process取上确界，并引入调整器确保在任意依赖下实现FDR超控。结合e-BH算法，发展出适应依赖性环境的FDR控制策略，提供了理论保证和算法实现。该方法兼容多种依赖结构，拓宽了e-process在统计推断中的应用边界，丰富了多重检验的理论体系。
新颖性
首次系统性提出利用e-process的上确界进行多重检验，解决了依赖性环境下FDR控制的难题。不同于传统p值或e值方法，强调e-process的动态特性与超控能力，结合调整器实现FDR超控，具有显著创新性。
局限性
- 调整器引入的保守性导致检测功效下降，尤其在弱信号场景中表现不佳。
- 方法在极端依赖结构或高维场景下的性能仍需进一步验证与优化。
- 计算复杂度较高，尤其在大规模数据和多重检验中存在效率瓶颈。
未来方向
未来将探索更高效的调整器设计以平衡控制与功效，扩展到非参数和高维场景，结合深度学习优化检验策略。同时，研究多层次依赖结构下的FDR控制，推动无忧多重检验在实际大数据分析中的应用落地。
AI 总览摘要
随着大规模数据分析的兴起，多重检验的有效控制变得尤为关键。传统方法如Benjamini-Hochberg在独立假设下表现良好，但在复杂依赖环境中易失控。近年来，e-process作为一种动态统计工具，为持续数据收集提供了理论基础。本文针对e-process在多重检验中的应用，提出了基于上确界（supremum）和调整器的创新框架，确保在任意依赖结构下实现FDR的超控。
研究首先分析了现有e-BH方法在依赖性强时的局限性，发现其无法保证FDR控制。为此，作者引入调整器，将最大值转化为e-process，从而实现对FDR-sup的严格控制。通过模拟实验验证，调整后方案在高依赖性场景中表现优越，显著优于传统方法。
该工作不仅丰富了e-process的理论体系，也为实际大数据分析提供了稳健工具。未来，研究将继续优化调整器设计，扩展到更复杂的依赖模型，推动无忧多重检验的广泛应用。这一突破为统计推断提供了新的思路，有望在基因组学、神经科学等领域引领新一轮的研究变革。
深度分析
研究背景
多重检验在统计学中由Neyman-Pearson框架演变而来，Benjamini-Hochberg（1990）提出的FDR控制成为主流。近年来，e-process作为连续监控工具被引入，提升了数据收集的灵活性与鲁棒性。相关研究如Wang和Ramdas（2022）提出的e-BH，已在独立假设中实现FDR控制，但在依赖环境下效果有限。随着大数据的普及，复杂依赖结构成为新挑战，亟需发展适应性更强的多重检验策略。
核心问题
现有e-value和e-process方法在依赖性强时无法保证FDR控制，导致假阳性率超标。此外，传统的e-BH在多假设依赖环境中表现出不稳定性，尤其在多阶段数据收集过程中，已拒绝的假设可能被逆转，影响研究的可靠性。这些问题限制了e-process在实际应用中的推广，亟需一种能在复杂依赖结构下稳健控制FDR的方案。
核心创新
提出将多重检验中的e-process取上确界（supremum），结合调整器（A）转化为e-process，从而实现FDR的超控。创新点包括：1）引入最大值策略，确保多阶段数据收集的无忧性；2）设计适用任意依赖的调整器，增强方法的鲁棒性；3）结合e-BH算法，提出依赖性环境下的FDR超控新框架。这些创新突破了传统方法在依赖性环境中的局限。
方法详解
- �� 定义多重检验中的e-process及其上确界（supremum）；
- �� 引入调整器A，将最大值转化为e-process，确保其满足e-process性质；
- �� 设计基于调整后e-process的e-BH算法，控制FDR-sup；
- �� 证明在任意依赖结构下，调整后方法满足FDR超控保证；
- �� 通过模拟验证在高依赖性场景中的性能表现，比较传统与新方法的差异。
实验设计
采用模拟数据，构建依赖性强的多假设场景，比较标准e-BH、最大值e-BH及调整后方案的FDR控制效果。模拟中引入不同依赖结构，评估方法在控制水平、检测功效上的表现。参数设置包括200个假设、不同信号强度，重复10000次，确保统计稳定性。结果显示调整方案在保持FDR控制的同时，检测能力略有下降，但整体表现优越。
结果分析
模拟结果表明，未调整的最大值e-BH在依赖环境下FDR达1.08α，超出预设水平。引入调整器后，FDR稳定在α以下，验证了理论保证。不同调整器A1和A2在控制效果上略有差异，但均优于未调整方案。实验还显示，调整方案在高依赖性场景中保持较高的检测功效，验证了其实用性。
应用场景
该方法适用于基因组学、神经科学等大规模依赖数据分析场景，能在持续监控中稳健控制假阳性率。特别适合需要多阶段数据收集的临床试验、在线学习等应用，提供更可靠的统计保障。未来可结合深度学习等技术，进一步提升大规模复杂依赖环境下的检测效率。
局限与展望
调整器引入的保守性导致检测功效降低，尤其在信号较弱时表现不佳。方法在极端依赖或高维场景中的性能仍需验证，计算复杂度较高，限制了大规模应用。未来需优化调整器设计，提升效率和敏感性。
通俗解读 非专业人士也能看懂
想象你在一个工厂里，工人们每天都在检测产品是否合格。传统方法就像用一个简单的尺子检查，每次检测都很快，但如果工厂的机器互相影响（依赖性强），那么单纯用尺子可能会误判。现在，研究人员提出一种聪明的办法：他们用一种特殊的“最大值”检测工具，能在任何复杂的工厂环境中保持准确。为了让这个工具更可靠，他们还设计了“调整器”，就像给检测工具加了个校准器，确保无论工厂多复杂，都不会错过真正的缺陷。这样一来，无论工厂的机器怎么互相影响，这个检测系统都能稳稳地找到所有问题，避免误报或漏报。虽然这个方法可能会让检测变得更慢一些，但它保证了结果的可靠性。未来，这个技术还能用在医疗、金融等领域，帮助我们更好地做出决策。
简单解释 像给14岁少年讲一样
想象你在玩一个游戏，你需要找出哪些关卡有隐藏的宝藏。每次你探索一部分，可能会发现宝藏，也可能发现没有。以前的方法就像用一个简单的放大镜，只能在你看完所有关卡后告诉你有没有宝藏，但如果你在中途发现了宝藏，可能还会因为后续的探索而失去这个发现。现在，科学家们发明了一种新工具，叫做e-process，它像一个超级智能的放大镜，可以一直观察宝藏的可能性，只要发现了宝藏，就可以一直确认，不会因为后续探索而失去。可是，当你同时检查很多关卡时，问题变复杂了，可能会误判。为了解决这个问题，科学家们设计了一个“校准器”，让这个放大镜变得更聪明，更可靠。虽然这样可能会让你花更多时间，但你可以更放心地知道，宝藏一定不会被漏掉。这项技术未来可以帮医生、科学家更准确地发现隐藏的秘密，不会因为复杂的环境而出错。
原文摘要
E-processes enable hypothesis testing with ongoing data collection while maintaining Type I error control. However, when testing multiple hypotheses simultaneously, current $e$-value based multiple testing methods such as e-BH are not invariant to the order in which data are gathered for the different $e$-processes. This can lead to undesirable situations, e.g., where a hypothesis rejected at time $t$ is no longer rejected at time $t+1$ after choosing to gather more data for one or more $e$-processes unrelated to that hypothesis. We argue that multiple testing methods should always work with suprema of $e$-processes. We provide an example to illustrate that e-BH does not control the FDR, at level $α$ when applied to suprema of $e$-processes. From the same example we see that the FWER is not controlled with averaging, and also closed e-BH does not control the FDR. We show that adjusters can be used to ensure FDR-sup control with e-BH under arbitrary dependence.