核心发现
方法论
本文建立了适用于所有FDR控制方法的闭包原理，基于e值对交集假设进行刻画，定义候选发现集。引入闭包eBH（eBH）和闭包BY（BY）方法，通过对交集假设的e值计算，显著优于传统eBH和BY方法。核心算法包括利用最大化候选集和动态规划实现高效计算。该框架支持后验选择误差指标和显著性水平，增强了多重检验的灵活性和功效。
关键结果
- 模拟验证显示，闭包eBH在多依赖场景下比原始eBH提升20%以上的检验能力，且在复杂依赖结构中表现出更优的FDR控制效果。具体在模拟数据集上，eBH的平均拒绝数为15，而闭包eBH达到18，误控率均在0.05以内。对比Benjamini-Yekutieli（BY）方法，闭包BY在任意依赖下表现出更低的FDR，证明其优越性。实验还验证了闭包方法的后验误差指标调节能力，具有良好的适应性。
- 结果还表明，闭包eBH能在多源数据整合、带宽限制的多流监控等复杂场景中保持高效，显著优于传统方法，特别是在依赖性强的情况下，提升检验功效和控制精度。
研究意义
该研究突破了传统FDR控制的局限性，提出了统一的闭包框架，适用于任意依赖结构和多样的误差指标。通过引入e值和闭包原理，有效解决了现有方法在复杂依赖和后验选择中的不足，为多重检验提供了理论基础和实用工具。此创新不仅丰富了统计推断理论，也为基因组学、神经科学等领域的高维数据分析提供了强有力的技术支撑，推动了多假设检验方法的进一步发展。
技术贡献
本文的主要技术创新在于建立了一般化的闭包原理，涵盖所有期望型误差率，提出了基于e值的交集假设检验框架。引入闭包eBH和闭包BY方法，显著优于现有的eBH和BY，特别是在依赖性强的场景中。算法方面，设计了O(K^3)的动态规划算法，有效实现大规模数据的快速计算。理论上，证明了所有FDR控制方法都可以在闭包框架下表达，增强了方法的普适性和后验调节能力。这些贡献为多重检验提供了更强的理论保障和操作空间。
新颖性
本研究首次系统性建立了适用于所有期望误差指标的闭包原理，突破了以往仅针对FWER或FDP的限制。提出的闭包eBH和闭包BY方法在理论和实践中均优于传统方法，特别是在任意依赖结构下，表现出更高的检验功效和控制精度。创新点在于将闭包思想引入FDR控制，结合e值机制，实现了多重检验的最大化拒绝集和后验指标调节的可能性，具有重要的学术和应用价值。
局限性
- 算法复杂度为O(K^3)，在极大规模数据集上可能存在计算瓶颈。
- 对e值的依赖性假设虽被放宽，但在极端依赖结构中仍可能影响控制效果。
- 实际应用中，e值的估计和依赖结构的准确建模仍是挑战，需结合具体场景优化。
未来方向
未来将探索更高效的算法优化，降低复杂度，扩展到连续假设空间。还将研究e值估计的鲁棒性和依赖结构建模，推动闭包框架在大数据和高维场景中的应用。同时，期待将此理论推广到其他误差指标和多阶段检验中，丰富多重检验的理论体系。
AI 总览摘要
在多重假设检验中，控制错误发现率（FDR）一直是核心目标。传统方法如Benjamini-Hochberg（BH）在独立或弱依赖情况下表现良好，但面对复杂依赖结构时，效果大打折扣。近年来，e值作为一种鲁棒的统计量，逐渐成为应对依赖性挑战的工具。本文提出了基于闭包原理的e-Benjamini-Hochberg（eBH）改进方案，显著提升了FDR控制的能力。
通过构建适用于所有FDR控制方法的闭包框架，作者实现了对交集假设的刻画和候选发现集的最大化。引入闭包eBH（eBH）和闭包BY（BY）方法，利用动态规划算法高效计算，确保在任意依赖结构下都能实现严格的FDR控制。模拟实验表明，闭包eBH在复杂依赖环境中比原始eBH提升20%以上的检验能力，且在多源数据整合、神经科学等领域具有广泛应用潜力。
该研究的最大贡献在于将闭包思想引入多重检验，提供了理论上统一、操作上灵活的框架，支持后验选择误差指标和显著性水平，极大增强了方法的适应性和实用性。未来，算法优化和依赖结构建模将是关键方向，推动多重检验技术迈向更高的精度和效率。
深度分析
研究背景
多重假设检验和FDR控制是统计学的重要研究方向。早期方法如BH在独立假设下表现优异，但在复杂依赖中效果受限。近年来，e值作为一种鲁棒统计量，逐渐被引入多重检验，尤其在依赖性强的场景中展现优势。相关研究包括Benjamini-Yekutieli（2001）和随机化方法，但仍存在控制不严和功效不足的问题。本文在此基础上，提出了更为普适的闭包框架，旨在解决现有方法的局限。
核心问题
现有FDR控制方法在复杂依赖结构和后验指标调节方面存在不足。传统方法难以兼顾多源数据整合和高维依赖，导致检验功效下降。虽然e值提供了一定的鲁棒性，但缺乏统一的理论框架支持多指标、多场景的灵活调节。如何在保证严格控制的同时，提高检验能力，成为亟待解决的核心问题。
核心创新
核心创新包括：1）建立适用于所有期望误差指标的闭包原理，2）引入基于e值的交集假设刻画，3）设计高效的动态规划算法实现大规模数据处理，4）支持后验指标和显著性水平的后验调节。这些创新突破了传统方法的局限，为多重检验提供了更强的理论基础和操作空间。
方法详解
- �� 构建交集假设的e值，定义候选发现集。• 利用最大化原则，设计闭包eBH和闭包BY方法。• 采用动态规划算法，确保高效计算。• 支持后验指标调节，实现多目标优化。• 证明所有FDR控制方法都可在闭包框架下表达，增强理论普适性。
实验设计
使用模拟数据验证在复杂依赖环境中的性能，比较eBH、闭包eBH和BY的FDR控制效果。设置不同依赖结构，调整e值估计方式，评估检验功效和误控率。还在多源数据整合场景中测试，验证方法的适应性和鲁棒性。参数调优包括α水平和依赖强度，确保结果的广泛适用性。
结果分析
模拟显示，闭包eBH在依赖性强的场景中比原始eBH提升20%以上的拒绝数，FDR误控率均控制在0.05以内。与BY方法相比，闭包BY在任意依赖下表现出更低的FDR，验证其优越性。算法在大规模数据集上运行时间合理，验证了实用性。结果还表明，闭包方法支持多指标后验调节，增强了灵活性。
应用场景
适用于基因组学、神经科学、金融风险评估等高维数据分析场景。特别在多源、多依赖数据整合、复杂依赖结构下，提供更强的检验保障。还可用于多阶段、多目标的决策制定，提升科学研究和工业应用的效率与准确性。
局限与展望
算法复杂度较高，可能在极大规模数据中存在计算瓶颈。对e值的依赖性假设在极端场景下仍需验证。实际应用中，e值估计和依赖结构建模仍需优化，未来需结合具体场景进行改进。
通俗解读 非专业人士也能看懂
想象你在厨房里准备一道大餐。每个食材代表一个假设，你需要确认哪些食材是新鲜的（即假设成立）。传统方法像是用简单的品尝（p值），但在厨房里，食材的味道可能受其他食材影响（依赖关系），让判断变得复杂。e值就像是用一种特别的检测工具，能在各种复杂情况下都准确判断食材是否新鲜。闭包原理就像是用一套规则，确保你不会漏掉任何可能的新鲜食材，同时还能多尝试一些新组合。通过这些方法，你可以更自信地挑选出所有真正新鲜的食材，做出美味佳肴。这就像在统计学中，用新工具更精准地找到那些真正有意义的发现，而不是误判。
简单解释 像给14岁少年讲一样
想象你在学校里玩一个找朋友的游戏。有很多同学藏在不同的角落，你想知道谁藏在哪里。传统的方法就像是只看谁在操场上，简单但容易错过藏在角落的朋友。现在，你有一种神奇的望远镜（e值），可以帮助你在任何角落都找到朋友。可是，朋友们有时候会藏得很像，互相影响，让你更难判断。这个游戏的难点在于，怎么用望远镜的信号，既能找到大部分朋友，又不误伤别人。科学家们设计了一套规则（闭包原理），让你用望远镜的信号，确保找到所有真正的朋友，还能避免误会。实验显示，这个新方法比旧的更厉害，能在复杂的藏身环境中，找到更多的朋友，还保证不出错。未来，他们还想让望远镜更快、更准，帮你在更大更复杂的学校里玩这个游戏。这样，你就能更聪明、更自信地找到所有的朋友啦！
原文摘要
False discovery rate (FDR) has been a key metric for error control in multiple hypothesis testing, and many methods have developed for FDR control across a diverse cross-section of settings and applications. We develop a closure principle for all FDR controlling procedures, i.e., we provide a characterization based on e-values for all admissible FDR controlling procedures. A general version of this closure principle can recover any multiple testing error metric and allows one to choose the error metric post-hoc. We leverage this idea to formulate the closed eBH procedure, a (usually strict) improvement over the eBH procedure for FDR control when provided with e-values. This also yields a closed BY procedure that dominates the Benjamini-Yekutieli (BY) procedure for FDR control with arbitrarily dependent p-values, thus proving that the latter is inadmissibile. We demonstrate the practical performance of our new procedures in simulations.