Active Hypothesis Testing under Computational Budgets with Applications to GWAS and LLM

1. Problématique

Dans le contexte du test d'hypothèses à grande échelle (par exemple, en génomique ou dans l'analyse de données massives), le calcul exact des p-values (valeurs-p) ou des e-values (valeurs-e) est souvent prohibitif en termes de ressources computationnelles ou expérimentales.

• Le défi : Les chercheurs disposent d'un budget global fixe ($n_b$) pour le nombre de calculs coûteux, mais doivent tester un nombre beaucoup plus grand d'hypothèses ($N$, où $n_b \ll N$).
• La limitation des méthodes existantes : Les approches classiques supposent que les p-values exactes sont disponibles pour toutes les hypothèses. Les méthodes de sélection active (active learning) se concentrent généralement sur l'acquisition de données étiquetées pour l'entraînement de modèles, et non sur la décision dynamique de calculer une statistique de test coûteuse. De plus, les méthodes récentes utilisant des statistiques auxiliaires (comme Xu et al., 2025b) ne garantissent pas une contrainte de budget stricte (le nombre de requêtes reste stochastique) et n'offrent pas de garanties d'optimalité générale.

L'objectif est de développer un cadre qui génère une statistique de test valide pour chaque hypothèse tout en respectant strictement une contrainte de budget global, en utilisant des statistiques auxiliaires peu coûteuses pour guider l'allocation des ressources.

2. Méthodologie

Les auteurs proposent un cadre d'inférence active qui utilise des statistiques auxiliaires ($X^a_i$), peu coûteuses et potentiellement bruitées, pour décider probabilistiquement si le calcul de la statistique exacte ($X_i$, coûteuse) est nécessaire.

A. Construction de Statistiques Actives

Pour chaque hypothèse $i$, le cadre définit une statistique active ($E^{active}_i$ ou $P^{active}_i$) basée sur une fonction de contrôle $h(\cdot)$ et un hyperparamètre $\beta \in [0, 1]$.

1. Décision probabiliste : Un tirage de Bernoulli détermine si l'on calcule la statistique exacte $X_i$ (avec probabilité $h(X^a_i)$) ou si l'on utilise une transformation de la statistique auxiliaire.
2. Statistiques Actives E-values :
   • Si la statistique exacte n'est pas calculée, on utilise une fonction $a(E^a_i)$.
   • Si elle est calculée, on utilise une fonction $b(E^a_i) \cdot E_i$.
   • Théorème 1 : Pour garantir la validité ($E[E^{active}] \le 1$), les fonctions doivent satisfaire des conditions de bornes supérieures. L'auteur propose une construction optimale :
     $$E^{active} = \begin{cases} \frac{\beta}{1 - h(E^a)} & \text{si } U \ge h(E^a) \\ \frac{1 - \beta}{h(E^a)} \cdot E & \text{si } U < h(E^a) \end{cases}$$
3. Statistiques Actives P-values :
   • Une construction similaire est développée pour les p-values, en assurant la propriété de super-uniformité ($P(P^{active} \le s) \le s$).
   • Deux cas sont distingués :
     • Indépendance : La construction est plus puissante (p-value plus petite).
     • Dépendance générale : Une construction plus conservative est requise pour garantir la validité sans hypothèse de dépendance spécifique.

B. Allocation du Budget Global

Le cœur de l'innovation réside dans la gestion du budget global $n_b$.

• Fonction d'utilité : Chaque hypothèse se voit attribuer une utilité $u_i(X^a_i)$ basée sur la statistique auxiliaire (ex: plus la p-value auxiliaire est petite, plus l'utilité est grande pour un signal inverse).
• Algorithme d'allocation normalisée : Les probabilités de calcul $h_i$ sont déterminées par une normalisation des utilités pour que $\sum h_i = n_b$.
• Échantillonnage dépendant (Proposition 3) : Pour garantir que le nombre total de calculs coûteux soit exactement égal à $n_b$ (et non juste en espérance), les auteurs utilisent un mécanisme d'échantillonnage couplé basé sur une variable uniforme $U$ et des sommes cumulées des probabilités. Cela évite le gaspillage ou le dépassement de budget.

C. Admissibilité

Les auteurs démontrent théoriquement qu'il n'existe pas de fonction de contrôle unique ou de paramètre $\beta$ universellement optimal. Toute configuration admissible (respectant certaines bornes) ne peut être strictement dominée par une autre, ce qui justifie l'approche adaptative basée sur les données.

3. Contributions Clés

1. Cadre général et rigoureux : Première méthode à intégrer explicitement une contrainte de budget computationnel strict dans le processus d'inférence multiple, garantissant la validité statistique pour chaque hypothèse.
2. Garanties théoriques :
   • Preuve de validité pour les e-values et p-values sous indépendance et dépendance générale.
   • Preuve d'optimalité pour les e-values et d'admissibilité pour les p-values.
   • Démonstration que la construction directe est plus puissante que les méthodes indirectes (conversion p-value $\leftrightarrow$ e-value).
3. Algorithme d'allocation stricte : Développement d'un algorithme (Algorithme 1) qui garantit que le nombre de requêtes coûteuses est exactement égal au budget $n_b$ à chaque exécution, contrairement aux méthodes stochastiques précédentes.
4. Indépendance vis-à-vis du modèle : Le cadre ne fait aucune hypothèse sur la distribution des statistiques auxiliaires, permettant l'utilisation de "boîtes noires" complexes comme les LLM.

4. Résultats Expérimentaux

Les auteurs évaluent leur méthode (nommée Active-Default) sur des simulations et deux études de cas réelles.

A. Simulations

• Comparaison : Active-Default est comparé à une méthode Oracle (calcul de tout), une méthode aléatoire, et la méthode de Xu et al. (2025b).
• Performance : Active-Default contrôle strictement le FDR (False Discovery Rate) tout en respectant parfaitement le budget.
• Efficacité : En termes d'efficacité (nombre de découvertes vraies par requête coûteuse), Active-Default surpasse systématiquement les autres méthodes contraintes par le budget, en particulier lorsque la densité de signaux réels augmente. La méthode de Xu, bien que puissante, dépasse souvent le budget alloué.

B. Applications Réelles

1. Étude d'Association pangénomique (GWAS) :
   • Contexte : Identifier des SNP associés à l'infarctus du myocarde (MI) en utilisant des statistiques de résumé d'une étude sur l'hypertension (HTN) comme statistique auxiliaire peu coûteuse.
   • Résultat : La méthode active récupère plus de découvertes "oracle" par requête que les méthodes aléatoires ou non contraintes, démontrant que les données HTN, bien que non valides directement pour le MI, sont des indicateurs puissants pour prioriser les tests.
2. Prédiction clinique avec LLM :
   • Contexte : Prédire la mortalité hospitalière. Une variable coûteuse (diagnostic d'insuffisance cardiaque nécessitant une échographie) est remplacée par une imputation via un Large Language Model (LLM) (Gemini 3.1 Pro) pour créer la statistique auxiliaire.
   • Résultat : L'approche active permet de tester les patients les plus à risque avec le coût réel (échographie) tout en respectant un budget strict, obtenant une efficacité supérieure aux méthodes de base.

5. Signification et Impact

Ce travail apporte une solution fondamentale au problème de l'inférence statistique dans des environnements à ressources limitées.

• Changement de paradigme : Il passe d'une logique de "filtrage" (rejeter les hypothèses sans inférence formelle) à une logique d'allocation de ressources où chaque hypothèse reçoit une statistique valide, mais dont la précision dépend de l'allocation du budget.
• Applications pratiques : La méthode est particulièrement pertinente pour les domaines où les données "gold-standard" sont rares ou chères (médecine, génomique, essais cliniques) et où l'on dispose de données massives mais imparfaites (données de routine, prédictions de modèles d'IA).
• Intégration de l'IA : La capacité à utiliser des LLM comme sources de statistiques auxiliaires ouvre la voie à de nouvelles méthodologies d'inférence hybrides, combinant la puissance prédictive de l'IA avec la rigueur statistique des tests d'hypothèses.

En résumé, les auteurs proposent un cadre théoriquement solide et pratiquement efficace pour maximiser le retour sur investissement des ressources computationnelles dans les tests d'hypothèses massifs.