A Decision Rule for Multi-null Multinomial Testing via Jensen-Shannon Geometry

技術要約：Jensen-Shannon幾何学を用いたマルチ・ヌル多項検定のための決定則

問題の定義
本論文は、マルチ・ヌル多項検定問題（multi-null multinomial testing problem）、すなわち、観測されたカテゴリカル・ヒストグラム $h$（$n$ 個の観測値、$k$ 個のカテゴリ）を、完全に指定された $L$ 個の候補ヌル分布 $(p_\ell)_{\ell=1}^L$ に対して評価するという統計的課題に対処するものである。目的は二段階である。まず、データが少なくとも一つの候補分布と整合しているかどうかを判断し、整合している場合は、最も妥当なものを特定することである。もしどの候補も整合しない場合、この規則はすべてを棄却しなければならない。

この定式化は、古典的な「一対多」の適合度検定（$L=1$ の場合）や、分布を推定する二標本等価性検定とは異なる。この問題は、ゲノミクス（コドン使用頻度の帰属）、コーパス言語学（著者帰属）、リモートセンシング（土地被覆分類）などのアプリケーションにおいて発生する。

既存手法の限界
著者らは、標準的なアプローチが疎な領域（sparse regime）（$k$ が $n$ に対して大きい場合、例：$k=64$ のコドン使用頻度や $k \approx 200$ のスペクトルデータ）において失敗すると主張している。

• 冪級数発散統計量（$\chi^2$ や G検定など）： 漸近的な $\chi^2$ 収束に依存しているが、期待セルカウントが低い場合にこの収束は失敗する。G検定は、観測分布とヌル分布のサポートが重ならない場合に不安定性が増大する。
• カーネル法（MMD、KSDなど）： 非パラメトリックではあるが、ハイパーパラメータ（カーネルの選択、バンド幅）に依存しており、離散的な一標本設定において正確な有限標本での Type-I Error 保証が存在しない。
• 標準的なマルチ・ヌル対策： Holm 補正を用いた $L$ 個の独立した検定を実行する方法は保守的であり、$L$ に対してスケーリングが悪く、また $L$ 個のバイナリ決定ではなく、単一のコヒーレントな選択を出力しない。

手法：MN2 決定則
本論文は、**Jensen-Shannon 距離（JSd）**に基づく統一された決定則である MN2（Multi-Null Non-parametric multinomial test）を提案している。

1. 計量基盤： MN2 は、Jensen-Shannon ダイバージェンスの平方根として定義される JSd を利用する。KL ダイバージェンスとは異異なり、JSd は $[0, 1]$ に限定され、対称であり、三角不等式を満たすため、確率単体上の真の計量となる。
2. 決定ロジック：
   • 各ヌル仮説 $H_\ell^0: p = p_\ell$ に対して、ヌル分布下における $JSd(H/n, p_\ell)$ の p 値を計算する。
   • この規則は、非棄却された仮説の集合 $N_n^\alpha(h) = \{ \ell : p_{n,\ell}(h) > \alpha_\ell \}$ を定義する。ここで $\alpha_\ell$ は不均一な目標有意水準である。
   • 選択： $N_n^\alpha(h)$ が空集合である場合、規則はすべての候補を棄却する（出力 $\perp$）。そうでなければ、非棄却集合の中で最大の p 値を持つインデックス $\ell$ を選択する（タイの場合は最小のインデックスで破る）。
3. 計算： p 値は、ヌル下での JSd の累積分布関数（CDF）から導出される。論文では3つの計算方法を提示している：
   • 完全列挙（Exact Enumeration）： $|h|_1 = n$ であるすべてのヒストグラムに対する多項式時間の列挙（中程度の $n, k$ で実行可能）。
   • モンテカルロ法（MC）： 多項分布からのサンプリングによる CDF の近似。
   • ガウス近似（Gaussian Approximation）： 大規模な $n$ に対する中心極限定理（CLT）に基づく近似。これは、多項分布を近似するために数値的に補正されたガウスサンプルを使用する。

主な理論的貢献
著者らは、既存の手法では同時に提供できない3つの厳密な保証を確立している。

1. 有限標本での Type-I Error 制御： 定理1は、任意の固定標本サイズ $n$ において、決定則が目標レベル $\alpha_\ell$ で各ヌルの Type-I Error を制御することを証明している。これは、漸近近似ではなく、正確な（または MC 近似された）多項式 CDF に対して較正していることの構造的な帰結である。したがって、ファミリーワイズエラー率（FWER）は $\max \{\alpha_\ell\}$ によって抑えられる。
2. 強一致性（Strong Consistency）： 定理2は、有意水準のスケジュールの緩やかな和の条件（$\sum \alpha_n < \infty$）の下で、決定則が $n \to \infty$ において正しい選択（真のヌル、または全棄却のいずれか）にほとんど確実に収束することを証明している。
3. 非漸近的な Type-II Error 境界： 定理3は、代替仮説とヌル集合間の最小 JSd 分離度に関して、ガウス的な速度で減衰する有限標本の Type-II Error の上限を提供している。この境界は JSd の計量的性質と McDiarmid の不等式に依拠しており、これは冪級数発散法やカーネルベースの手法には欠けている特徴である。

実証結果
手法は、合成および半合成の実験を通じて検証された：

• 合成シナリオ： 4つのシナリオ（疎さが増加する $k \le 25, L \le 8$）において、MN2 はすべての $n$ で Type-I Error を目標値（0.05）以下に維持した。対照的に、$\chi^2$+Holm は疎な領域で有意な膨張を示し、G-test+Holm はパワーがほぼゼロに崩壊した。MN2 は、疎な設定において MMD+Holm よりも速い Type-II Error の収束を示した。
• ゲノミクス（半合成）： 実際のコドン使用プロファイル（CUTG）をヌル（$k=64$）とし、合成観測値を用いた実験において、MN2 はアルファベットサイズ $k \in [8, 512]$ および最大 $L=50$ の候補に対して Type-I Error を制御した。$n=50$ で 66–80% の正しい帰属率を達成し、$n \approx 800$ までに誤分類を 1% 未満に減少させた。
• 実データ： NCBI RefSeq コーディング配列への適用において、MN2 は観測値が厳密な多項モデルから逸脱している場合でも堅牢な挙動を示した。
• 効率性： 事前計算された CDF により、MN2 は償却実行時間において冪級数発散ベースラインよりも 5〜10 倍高速であることが示された。

意義と主張
論文は、MN2 がマルチ・ヌル選択問題に対するコヒーレントで非パラメトリックな解決策を提供し、古典的な統計学が失敗する疎な領域において堅牢であることを主張している。その主要な意義は、多項モデル以外の分布仮定やユーザー調整型のハイパーパラメータを必要とせずに、正確な有限標本保証（Type-I 制御および Type-II 境界）を提供することにある。著者らは、Type-I 制御は較正方法（正確な CDF）の結果であるが、Jensen-Shannon 幾何学が、計算の実行可能性（多項式列挙による）および非漸近的な Type-II Error 境界の導出を可能にするために不可欠であることを強調している。本手法は mn-squared Python パッケージとして実装されている。