Résumé Technique : Contrôle du Taux de Fausse Découverte en Espaces d'Hypothèses Structurés avec Ressources Finies

1. Énoncé du Problème

La découverte scientifique repose de plus en plus sur des tests d'hypothèses à grande échelle, pourtant trois défis fondamentaux entravent l'identification des véritables découvertes tout en contrôlant le Taux de Fausse Découverte (FDR) :

1. Incertitude liée aux données finies : Obtenir des données de référence suffisantes (échantillons de la distribution nulle) pour chaque hypothèse est coûteux en ressources. Les approches standards reposent souvent sur des estimations ponctuelles de p-valeurs dérivées de tirages nuls finis, ignorant l'incertitude inhérente à ces estimations, ce qui peut conduire à des violations du FDR.
2. Espaces d'hypothèses structurés : Les hypothèses présentent souvent des dépendances intrinsèques (par exemple, une proximité spatiale). Ignorer cette structure gaspille la puissance statistique, tandis que les méthodes existantes pour le FDR structuré nécessitent souvent des graphes de dépendance prédéfinis ou ne parviennent pas à gérer l'incertitude des échantillons finis.
3. Allocation des ressources : Il manque des cadres pour allouer efficacement un budget fini d'échantillons nuls entre les hypothèses, notamment en exploitant les relations structurelles pour « emprunter de la force » aux voisins.

Le document traite ces défis simultanément en présentant un cadre unifié qui contrôle le FDR dans des espaces d'hypothèses structurés où chaque hypothèse n'est mise en évidence que par un nombre fini de tirages nuls, sans nécessiter d'estimation ponctuelle résolue de la p-valeur.

2. Méthodologie

2.1 Modèle Génératif et Vraisemblance Basée sur les Comptages

Les auteurs modélisent le problème comme une hiérarchie à trois niveaux :

• Couche Structurelle : La probabilité a priori qu'une hypothèse soit nulle, $\alpha(\text{loc})$, est une fonction lisse sur un domaine arbitraire $\mathcal{X}$, modélisée au sein d'un Espace de Hilbert à Noyau Reproduisant (RKHS) défini par un noyau $K$.
• Couche Latente : Chaque hypothèse possède une p-valeur latente $p^*_i$. Sous l'hypothèse nulle ($H_0$), $p^*_i \sim U[0,1]$ ; sous l'hypothèse alternative ($H_1$), elle suit une distribution Beta concentrée près de zéro.
• Couche d'Observation : Au lieu d'observer $p^*_i$, l'observateur voit un comptage $k_i$ de tirages nuls (sur un total de $m_i$) qui sont au moins aussi extrêmes que la statistique observée. Ainsi, $k_i | p^*_i, m_i \sim \text{Binomial}(m_i, p^*_i)$.

Crucialement, le cadre abandonne l'approche par « substitution » (estimant $p^*_i$ comme $(k_i+1)/(m_i+1)$). Il marginalise explicitement $p^*_i$ pour dériver des vraisemblances exactes basées sur les comptages sous la conjugaison Beta-Binomiale. Cela produit des expressions en forme fermée pour les vraisemblances marginales $P_0(k, m)$ et $P_1(k, m)$, évitant l'erreur de discrétisation et le bruit d'échantillonnage associés aux estimations ponctuelles.

2.2 Estimation Spatiale

Pour exploiter la structure, la proportion nulle globale $\bar{\alpha}$ est élevée en une fonction spatiale $\alpha(\text{loc})$. Les auteurs estiment $\hat{\alpha}$ en minimisant une log-vraisemblance négative régularisée dans le RKHS :
$$\hat{\alpha} = \arg \min_{\alpha \in \mathcal{H}_K} -\sum_{i=1}^N \log[\alpha(\text{loc}_i)P_{0,i} + (1-\alpha(\text{loc}_i))P_{1,i}] + \lambda \|\alpha - \hat{\bar{\alpha}}\|^2_{\mathcal{H}_K} + \gamma \Lambda_{[0,1]}(\alpha)$$
Cette optimisation est résolue efficacement via la Descente de Gradient Naturel, qui évite l'inversion de la matrice de Gram du noyau, réduisant la complexité à $O(N^2)$ par itération.

2.3 Règles de Décision

Le document propose deux règles de décision avec des compromis distincts entre le contrôle exact du FDR et la puissance statistique :

• Règle 1 (Sans modèle) : Utilise l'estimateur spatial $\hat{\alpha}$ uniquement comme une porte de pré-sélection pour filtrer les hypothèses. À l'intérieur de cette porte, elle applique un seuil de moyenne mobile sur le lfdr (FDR local marginal) non spatial.

  • Garantie : Fournit un contrôle exact du FDR ($\le \tau$) quel que soit l'exactitude du modèle spatial $\hat{\alpha}$, car l'information spatiale n'influence pas le classement des rejets.
  • Compromis : Conservatrice ; peut sacrifier de la puissance si le modèle spatial est informatif mais ignoré lors du classement.

• Règle 2 (Statistiques Miroirs dans l'Espace de Comptage) : Utilise le lfdr spatial directement comme score de rejet. Elle adapte le cadre de la statistique miroir de Barber-Candès à l'espace de comptage, utilisant la réflexion $k \leftrightarrow m-k$ comme opération miroir.

  • Garantie : Sous une « hypothèse de miroir » (invariance de la surface de score au renversement d'un comptage nul unique), elle atteint un contrôle exact. Puisque la surface est dépendante des données, cette hypothèse n'est que partiellement vraie. Les auteurs fournissent un cadre analytique montrant que la violation du FDR est bornée par un terme de marge $\delta = O(\max(1/N, 1/\lambda))$.
  • Compromis : Maximise la puissance statistique en utilisant toute l'information disponible (y compris la structure spatiale) pour le classement, au prix d'une petite marge quantifiable dans le contrôle du FDR.
  • Résultat Théorique : Sous spécification correcte, la Règle 2 est strictement plus puissante que la Règle 1.

2.4 Allocation Adaptative des Ressources

Le cadre inclut une politique pour l'allocation efficace d'un budget fini de tirages nuls. Il classifie les hypothèses en trois états basés sur leurs intervalles de confiance de FDR local :

1. Décidée : L'IC est entièrement d'un côté du seuil.
2. Ambiguë : L'IC traverse le seuil (cibles pour un échantillonnage supplémentaire).
3. Désespérée : L'IC traverse le seuil même lorsque l'incertitude approche son « plancher de variance » théorique (dû à l'isolement ou à des p-valeurs non informatives).

La politique d'allocation donne la priorité aux hypothèses ambiguës selon un score combinant :

• Information de Fisher Locale : Combien la variance peut diminuer avec plus d'échantillons locaux.
• Emprunt Spatial : Combien l'échantillonnage d'un voisin réduit l'incertitude de l'hypothèse cible via le noyau.
  La politique ajuste dynamiquement l'équilibre entre l'échantillonnage local et spatial et peut échantillonner des hypothèses « décidées » ou « désespérées » si cela apporte un bénéfice spatial significatif aux voisins (échantillonnage d'aide).

3. Contributions Clés

1. Cadre Unifié : Le premier cadre traitant simultanément l'incertitude des p-valeurs à échantillon fini, les espaces d'hypothèses structurés et l'allocation des ressources. Il étend le cadre bayésien du FDR aux régimes d'échantillons finis en utilisant le RKHS.
2. Vraisemblances Basées sur les Comptages : Une dérivation de vraisemblances marginales exactes dans l'espace de comptage qui évite le bruit d'échantillonnage $O(1/\sqrt{m})$ des estimations de p-valeurs par substitution, atteignant une convergence en $O(1/m)$ vers le lfdr continu.
3. Deux Règles de Décision :
   • Une règle robuste à contrôle exact (Règle 1) qui est immunisée contre l'erreur de spécification du modèle spatial.
   • Une règle de haute puissance (Règle 2) qui adapte les statistiques miroirs à l'espace de comptage, avec une borne analytique rigoureuse sur la marge de contrôle du FDR causée par des surfaces de score dépendantes des données.
4. Politique d'Allocation Adaptative : Une méthode traitable pour allouer des échantillons nuls qui tient compte à la fois du gain d'information locale et de la propagation de l'information spatiale, incluant des mécanismes pour identifier et exclure les hypothèses « désespérées ».
5. Caractérisation de la Marge Analytique : Une analyse détaillée de la violation de l'« hypothèse de miroir » dans les espaces structurés, quantifiant la marge du FDR en termes de l'influence d'un basculement de comptage unique sur la surface ajustée.

4. Résultats Empiriques

Le cadre a été évalué sur :

• ADbench (Semi-synthétique) : 10 jeux de données de détection d'anomalies de haute dimension.
  • Contrôle du FDR : Les deux règles ont maintenu le contrôle du FDR à travers diverses configurations structurelles (densité de signal, lissage), alors que le BH (Benjamini-Hochberg) standard et le RegFDR avec des p-valeurs par substitution violaient significativement le contrôle du FDR dans le régime d'échantillons finis.
  • Puissance : La Règle 2 a obtenu une puissance systématiquement plus élevée que la Règle 1 et les bases de référence, opérant plus près du budget cible de FDR.
• AlpacaEval 2.0 (LLM-as-judge) : Un benchmark sans structure spatiale.
  • Le cadre a nettement surpassé une base de référence heuristique (BH non calibré) en termes de découvertes exploitables, validant la mécanique de $m$ fini dans un contexte non spatial.
• Allocation Adaptative :
  • La politique d'allocation « Active » (proposée en section 5.2) a surpassé les stratégies d'échantillonnage Uniforme et Aléatoire, obtenant une puissance plus élevée et une plus grande fraction d'hypothèses décidées par unité de budget.
  • L'allocation active a convergé plus rapidement vers la fonction spatiale oracle en distance RKHS par rapport aux bases de référence.

5. Signification et Revendications

Le document affirme présenter le premier cadre unifié pour traiter la triade de l'incertitude des données finies, des espaces d'hypothèses structurés et de l'allocation des ressources dans le contrôle du FDR.

• Signification Théorique : Il établit que le travail dans l'espace de comptage avec des vraisememblances marginales évite le plancher de bruit d'échantillonnage asymptotique ($O(1/m)$ vs $O(1/\sqrt{m})$) de l'estimation de p-valeur continue. Il fournit une caractérisation rigoureuse du compromis entre le contrôle exact du FDR et la puissance dans les contextes structurés, introduisant une marge quantifiable pour les statistiques miroirs dépendantes des données.
• Signification Pratique : La politique d'allocation proposée permet aux chercheurs de maximiser les découvertes sous des contraintes de ressources strictes en dirigeant intelligemment les échantillons nuls là où ils réduisent l'incertitude le plus efficacement.
• Modestie : Les auteurs reconnaissent des limites, notamment l'hypothèse de p-valeurs nulles uniformes (adressable via des mélanges Beta), l'existence de planchers de variance pour les hypothèses isolées, et le recours à une phase de « burn-in » pour la politique d'allocation afin de satisfaire les hypothèses i.i.d. Ils notent que le contrôle exact du FDR de la Règle 2 repose sur des hypothèses de stabilité (stabilité du seuil et du classement) qui, bien que typiques sous la géométrie Beta-Binomiale, ne sont pas garanties dans toutes les configurations.

Ce travail se positionne comme un pont entre les méthodes de régularisation par noyau et le contrôle du FDR à échantillon fini, offrant une approche traitable pour des problèmes complexes de découverte scientifique structurée où les données sont rares.