技術要約：構造化された仮説空間における有限リソースの偽発見率（FDR）制御

1. 問題提起

科学的発見はますます大規模な仮説検定に依存するようになっているが、真の発見を特定しつつ偽発見率（FDR）を制御する上で、以下の3つの根本的な課題が障壁となっている：

1. 有限データによる不確実性： 各仮説に対して十分な参照データ（帰無分布のサンプル）を得ることは、リソースを大量に消費する。標準的な手法は、有限の帰無標本から得られるp値の点推定値に依存することが多いが、これは推定値に含まれる固有の不確実性を無視しており、FDRの違反を招く可能性がある。
2. 構造化された仮説空間： 仮説はしばしば固有の依存関係（例：空間的な近接性）を持つ。この構造を無視することは統計的パワーを浪費することになるが、既存の構造化FDR手法は、定義済みの依存グラフを必要とするか、あるいは有限標本の不確実性を扱うことができない。
3. リソース配分： 近傍から「強みを借りる（borrow strength）」ことを活用しながら、有限の帰無サンプル予算を各仮説へ効率的に配分するためのフレームワークが欠如している。

本論文は、各仮説が有限の帰無描画数によってのみ証拠付けられ、解決されたp値の点推定値を必要としない構造化された仮説空間において、FDRを制御する統一的なフレームワークを提示することで、これらの課題に同時に対処する。

2. 手法

2.1 生成モデルとカウントベースの尤度

著者らは、問題を以下の3層の階層としてモデル化している：

• 構造層： 仮説が帰無である事前確率 $\alpha(\text{loc})$ は、カーネル $K$ によって定義される再生核ヒルベルト空間（RKHS）内でモデル化された、任意のドメイン $\mathcal{X}$ 上の滑らかな関数である。
• 潜在層： 各仮説は潜在的なp値 $p^*_i$ を持つ。帰無仮説（$H_0$）の下では $p^*_i \sim U[0,1]$ であり、対立仮説（$H_1$）の下ではゼロ付近に集中するベータ分布に従う。
• 観測層： 観測者は $p^*_i$ を直接見るのではなく、観測された統計量と同等以上に極端な帰無描画の数 $k_i$ （全 $m_i$ 回のうち）を見る。したがって、$k_i | p^*_i, m_i \sim \text{Binomial}(m_i, p^*_i)$ である。

決定的なことに、本フレームワークは「プラグイン」アプローチ（$p^*_i$ を $(k_i+1)/(m_i+1)$ と推定する手法）を放棄し、代わりにベータ・二項共役を用いて潜在的な $p^*_i$ を明示的に周辺化し、正確なカウントベースの尤度を導出する。これにより、点推定に伴う離散化誤差やサンプリングノイズを回避する、周辺尤度 $P_0(k, m)$ および $P_1(k, m)$ の閉形式の表現が得られる。

2.2 空間的推定

構造を活用するために、グローバルな帰無割合 $\bar{\alpha}$ を空間関数 $\alpha(\text{loc})$ へと引き上げる。著者らは、RKHSにおける正則化された負の対数尤度を最小化することで $\hat{\alpha}$ を推定する：
$$\hat{\alpha} = \arg \min_{\alpha \in \mathcal{H}_K} -\sum_{i=1}^N \log[\alpha(\text{loc}_i)P_{0,i} + (1-\alpha(\text{loc}_i))P_{1,i}] + \lambda \|\alpha - \hat{\bar{\alpha}}\|^2_{\mathcal{H}_K} + \gamma \Lambda_{[0,1]}(\alpha)$$
この最適化は、カーネル・グラム行列の逆行列計算を回避する自然勾配降下法を用いて効率的に解かれ、反復あたりの計算量は $O(N^2)$ に抑えられる。

2.3 決定ルール

本論文では、厳密なFDR制御と統計的パワーのトレードオフが異なる2つの決定ルールを提案している：

• ルール1（モデルフリー）： 空間的 $\hat{\alpha}$ を、仮説をフィルタリングするための事前選択ゲートとしてのみ使用する。このゲート内において、非空間的な周辺局所FDR（lfdr）に対するランニング平均閾値を適用する。

  • 保証： 空間情報がランキングに影響を与えないため、空間モデル $\hat{\alpha}$ の正確さにかかわらず、厳密なFDR制御（$\le \tau$）を提供する。
  • トレードオフ： 保守的であり、空間モデルが情報量豊富であっても、ランキングにおいてそれが無視されるため、パワーを犠牲にする可能性がある。

• ルール2（カウント空間におけるミラー統計量）： 空間的lfdrを直接、棄却スコアとして使用する。これは、反射 $k \leftrightarrow m-k$ をミラー操作として利用することで、Barber-Candèsのミラー統計量の枠組みをカウント空間に適応させたものである。

  • 保証： 「ミラー仮定」（スコアリング表面が単一の帰無カウントの反転に対して不変であること）の下で、厳密な制御を達成する。データ依存的な表面であるため、この仮定は近似的にしか成立しない。著者らは、FDRの違反がスラック項 $\delta = O(\max(1/N, 1/\lambda))$ によって制限されることを示す解析的フレームワークを提供している。
  • トレードオフ： 利用可能なすべての情報（空間構造を含む）をランキングに活用することで、統計的パワーを最大化するが、FDR制御におけるわずかな（定量化可能な）スラックを伴う。
  • 理論的結果： 正しい仕様化の下では、ルール2はルール1よりも厳密に強力である。

2.4 適応的リソース配分

本フレームワークには、有限の帰無サンプリング予算を効率的に配分するためのポリシーが含まれている。各仮説を、局所FDRの信頼区間に基づき以下の3つの状態に分類する：

1. 決定済み（Decided）： 信頼区間が完全に閾値の片側に位置している。
2. 曖昧（Ambiguous）： 信頼区間が閾を跨いでいる（さらなるサンプリングの対象）。
3. 絶望的（Hopeless）： 不確実性が理論的な「分散フロア」（孤立や情報のないp値によるもの）に近づいても、信頼区間が閾を跨ぎ続けている。

配分ポリシーは、以下のスコアに基づいて曖昧な仮説の優先順位を決定する：

• 局所フィッシャー情報量： 追加の局所サンプルによってどれだけ分散を縮小できるか。
• 空間的借力（Spatial Borrowing）： カーネルを介して、ターゲットとなる仮説の不確実性を、近傍のサンプリングがいかに減少させるか。

このポリシーは、局所的な情報獲得と空間的な情報伝播のバランスを動的に調整し、「決定済み」または「絶望的」な仮説を、近傍に大きな空間的利益をもたらす場合にサンプリング（ヘルパー・サンプリング）することも可能にする。

3. 主な貢献

1. 統一フレームワーク： 有限データの不確実性、構造化された仮説空間、およびリソース配分に同時に対処する初の統一フレームワーク。RKHSを用いて、ベイズ的FDRフレームワークを有限標本レジームへと拡張した。
2. カウントベースの尤度： プラグインp値推定に伴う $O(1/\sqrt{m})$ のサンプリングノイズを回避し、連続的なlfdrへの $O(1/m)$ の収束を実現する、カウント空間における正確な周辺尤度の導出。
3. 2つの決定ルール：
   • 空間モデルの誤指定に対して頑健で、厳密な制御を行うルール（ルール1）。
   • データ依存的なスコアリング表面によるFDRスラックを厳密に定量化した上で、ミラー統計量をカウント空間に適応させた高パワーなルール（ルール2）。
4. 適応的配分ポリシー： 局所的な情報獲得と空間的な情報の伝播の両方を考慮し、「絶望的」な仮説を特定・除外するメカニズムを含む、制御可能な手法。
5. 解析的スラックの特性評価： 構造化された空間における「ミラー仮定」の違反を分析し、単一のカウントの反転が適合された表面に与える影響の観点から、FDRスラックを定量化した。

4. 実証結果

本フレームワークの評価は以下で行われた：

• ADbench（半合成データ）： 10個の高次元異常検知データセット。
  • FDR制御： 両方のルールは、様々な構造的設定（信号密度、平滑度）においてFDR制御を維持したが、プラグインp値を用いた標準的なBenjamini-Hochberg（BH）およびRegFDRは、有限標本レジームにおいて大幅にFDR制御を逸脱した。
  • パワー： ルール2は、ターゲットとするFDR予算に極めて近い位置で動作し、ルール1およびベースラインよりも一貫して高いパワーを達成した。
• AlpacaEval 2.0 (LLM-as-judge)： 空間構造を持たないベンチマーク。
  • 本フレームワークは、ヒューリスティックなベースライン（較正されていないBH）を、実行可能な発見（actionable discoveries）において大幅に上回り、非空間的な設定における有限-$m$メカニズムの有効性を証明した。
• 適応的配分：
  • 「アクティブ（Active）」配分ポリシーは、UniformおよびRandomサンプリング戦略を上回り、単位予算あたりの決定済み仮説の割合とパワーにおいて高い成果を上げた。
  • アクティブ配分は、RKHS距離におけるオラクル空間関数への収束において、ベースラインよりも高速に収束した。

5. 意義と主張

本論文は、有限データの不確実性、構造化された仮説空間、およびリソース配分の三位一体の課題に対処する初の統一フレームワークを提示していると主張している。

• 理論的意義： カウント空間で周辺尤度を用いることで、連続的なp値推定の漸近的なサンプリングノイズフロア（$O(1/\sqrt{m})$）を回避できることを確立した。また、構造化された設定における厳密なFDR制御とパワーのトレードオフを厳密に記述し、データ依存的なミラー統計量に対する定量化可能なスラックを導入した。
• 実用的意義： 提案された配分ポリシーにより、研究者はリソース制約の下で、不確実性を最も効果的に減少させる場所に帰無サンプルを賢明に誘導することで、発見を最大化できる。
• 謙虚さ（限界の認容）： 著者らは、均一な帰無p値の仮定（ベータ混合によって対処可能）、孤立した仮説における分散フロアの存在、および配分ポリシーのi.i.d.仮定を満たすための「バーンイン」フェーズへの依存といった限界を認めている。また、ルール2の厳密なFDR制御は、ベータ・二項幾何学の下では一般的ではあるものの、すべての構成において保証されるわけではない安定性の仮定（閾値とランキングの安定性）に依存していることも述べている。

本研究は、カーネルベースの正則化手法と有限標本FDR制御との間の架け橋となり、データが乏しい複雑で構造化された科学的発見の問題に対して、扱いやすいアプローチを提供している。