Technische Samenvatting: Een Regret-Perspectief op Online Meervoudige Toetsing

1. Probleemstelling

Online Meervoudige Toetsing (OMT) adresseert het sequentiële inferentieprobleem waarbij hypothesen exogeen in de tijd binnenkomen, wat onmiddellijke, onherroepelijke beslissingen vereist om nulhypothese te verwerpen of te behouden. De traditionele OMT-literatuur richt zich op het handhaven van de False Discovery Rate (FDR) onder een doelniveau $\alpha$ terwijl de statistische power wordt gemaximaliseerd. De paper betoogt echter dat het evalueren van FDR en power in isolatie de sterk asymmetrische kosten van vals-positieven (Type I-fouten) en vals-negatieven (Type II-fouten) in moderne geautomatiseerde pijplijnen verduistert.

Het kernprobleem dat wordt geïdentificeerd is uitputting van de drempel. In signaal-spaarzame omgevingen (bijvoorbeeld "koude starts" of periodes van pure ruis) verbruiken deterministische algoritmen die de FDR strikt controleren vaak hun toetsingscapaciteit ($\alpha$-vermogen), waardoor hun beslissingsdrempels monotoon afnemen naar nul. Dit maakt het algoritme "blind" voor daaropvolgende uitbarstingen van ware signalen, wat leidt tot massale gemiste ontdekkingen. Omgekeerd lopen algoritmen die proberen constante power te handhaven het risico lineaire straffen voor vals-positieven op te lopen. De paper stelt dat bestaande paradigma's falen in het navigeren door de niet-stationaire Pareto-grens tussen deze twee fouttypen.

2. Methodologie

2.1 De Gewogen Regret-metriek

Om de evaluatie van FDR en power te verenigen, introduceren de auteurs Gewogen Regret. In tegenstelling tot traditionele metrieken die FDR (een voorwaardelijke rate) en Power (een marginale waarschijnlijkheid) apart behandelen, mapt Gewogen Regret beide fouttypen af naar een enkele cumulatieve verliesvaluta:
$$\text{Regret}_T(a, b) = a \cdot V_T + b \cdot M_T$$
waarbij $V_T$ het totale aantal vals-positieven is, $M_T$ het totale aantal vals-negatieven, en $a, b > 0$ domeinspecifieke strafgewichten zijn. Het doel is om de verwachte Gewogen Regret te minimaliseren ten opzichte van een alwetende Oracle.

2.2 De Dualiteit van Regret-conservatie

De paper stelt een fundamentele theoretische limiet vast, de Dualiteit van Regret-conservatie. Het bewijst dat puur deterministische, geschiedenisafhankelijke OMT-procedures onvermijdelijk een lineaire regretstraf van $\Omega(T)$ incasseren. Dit gebeurt via twee distincte mechanismen:

1. De Power-barrière: Het handhaven van een minimale detectiepower vereist een strikt positieve ondergrens voor de drempel, wat onvermijdelijk leidt tot een lineaire accumulatie van vals-positieven in stationaire omgevingen.
2. De FDR-barrière: Het strikt controleren van FDR via deterministisch vermogensbeheer leidt tot drempelafname. In omgevingen met uitbarstingen (lange periodes van nullen gevolgd door signalen) zorgt deze afname ervoor dat de drempel verdwijnt, wat resulteert in een lineaire accumulatie van vals-negatieven.

Bijgevolg kan geen puur deterministisch algoritme tegelijkertijd sublineaire regrets voor beide fouttypen bereiken.

2.3 Het Decoupled-OMT (DOMT)-algoritme

Om de structurele limieten van deterministische mechanismen te overwinnen, stellen de auteurs Decoupled-OMT (DOMT) voor, een meta-wrapper-algoritme ontworpen om deterministische baselines (zoals LOND, LORD, SAFFRON) te redden van drempeluitputting.

Kernmechanisme:
DOMT introduceert een geschiedenis-ontkoppelde, strikt niet-negatieve random perturbatie aan de beslissingsdrempel bij elke stap $t$:
$$\lambda_t = \min(1, \lambda_t^{\text{base}} + \xi_t)$$
waarbij $\lambda_t^{\text{base}}$ de drempel is die wordt opgelegd door de onderliggende deterministische procedure, en $\xi_t = \epsilon_t Z_t$ de exploratieterm is.

• Exploratie-amplitude: $\epsilon_t = \kappa \frac{\alpha}{\sqrt{t}}$, afnemend met een $O(t^{-1/2})$-snelheid.
• Willekeur: $Z_t \sim \text{Uniform}[0, 1]$ is i.i.d.
• Causale ontkoppeling: Cruciaal wordt de interne staat (vermogen) van de basisprocedure uitsluitend bijgewerkt met de virtuele drempel $\lambda_t^{\text{base}}$ en het bijbehorende virtuele besluit. Het feitelijke besluit maakt gebruik van $\lambda_t$, maar de "ruis" $\xi_t$ is wiskundig geïsoleerd van de statupdate van de basisprocedure.

Eigenschappen:

• Geen extra vals-negatieven: Omdat $\xi_t \ge 0$, omvat de verwerpingsset van DOMT altijd die van de baseline ($R_t^{\text{DOMT}} \supseteq R_t^{\text{base}}$), wat garandeert dat er geen ontdekkingen gemist worden ten opzichte van de baseline.
• Asymptotische veiligheid: In stationaire omgevingen wordt de exploratieruis verdund door de accumulatie van ware ontdekkingen, waardoor de exacte asymptotische FDR-controle van de basisprocedure behouden blijft.
• Grenzen voor eindige steekproeven: In extreme koude starts (pure nullen) begrenst DOMT het absolute aantal extra vals-positieven tot $O(\sqrt{T})$, wat catastrofale lineaire foutaccumulatie voorkomt.

3. Belangrijkste Bijdragen

1. Metrische innovatie: Introductie van Gewogen Regret om asymmetrische Type I- en Type II-fouten expliciet in evenwicht te brengen, voorbijgaand aan geïsoleerde FDR/Power-evaluatie.
2. Theoretische ondergrens: Bewijs van de Dualiteit van Regret-conservatie, waarin wordt vastgesteld dat puur deterministische algoritmen een onvermijdelijke lineaire regretstraf van $\Omega(T)$ incasseren vanwege de afweging tussen constante waakzaamheid (vals-positieven) en drempeluitputting (vals-negatieven).
3. Algoritmische oplossing: Voorstel van DOMT, een plug-and-play meta-wrapper die strikt niet-negatieve, geschiedenis-ontkoppelde stochastische exploratie gebruikt om drempeluitputting te mitigeren zonder asymptotische veiligheid te compromitteren.
4. Regret-analyse: Bewijs dat DOMT een orde-optimale $\Omega(\sqrt{T})$-reductie in Gewogen Regret bereikt ten opzichte van deterministische baselines in omgevingen met uitbarstingen.
5. Karakterisering van faseovergangen: Afleiding van een gesloten vorm "Koude-start-belasting" ($M^*$), een kritieke drempel voor de strafdrukverhouding $b/a$ die bepaalt wanneer stochastische exploratie theoretisch voordelig wordt. Deze belasting kwantificeert de kosten van exploratie tijdens periodes van pure ruis.

4. Resultaten

Theoretische Resultaten

• Lineaire Regret van Determinisme: Stellingen 1 en 2 tonen aan dat elk deterministisch algoritme ofwel lijdt aan lineaire regret voor vals-positieven (bij handhaving van power) of lineaire regret voor vals-negatieven (bij strikte FDR-controle) in niet-stationaire instellingen.
• Sublineaire Regret van DOMT: Stelling 6 bewijst dat onder signaalmodellen met uitbarstingen DOMT de verwachte Gewogen Regret vermindert met $\Omega(\sqrt{T})$ ten opzichte van de baseline.
• Veiligheidsgaranties: Stelling 3 bevestigt dat DOMT de asymptotische FDR-controle van zijn basisprocedure erft. Stelling 4 biedt een hoge-waarschijnlijkheidsgrens voor eindige steekproeven voor inflatie van de False Discovery Proportion (FDP), waarbij wordt aangetoond dat deze in stationaire regimes elegant schaalt als $O(1/\sqrt{t})$ en strikt begrensd is in adversariele koude starts.
• Optimaliteit van afnamesnelheid: De paper betoogt dat de $O(t^{-1/2})$-afnamesnelheid structureel noodzakelijk is. Snellere afname (bijvoorbeeld $O(t^{-1})$) zou de exploratiekosten comprimeren tot $O(\log T)$, maar zou tegelijkertijd het herstel van ontdekkingen verstikken tot $O(\log T)$, waardoor het tekort van de baseline van $\Omega(T)$ niet wordt gecompenseerd.

Empirische Resultaten

Experimenten werden uitgevoerd op synthetische data en drie real-world datasets (RNA-Seq microarrays, S&P 500 financiële anomalieën en IMPC muizen-fenotype data).

• Stationaire Omgevingen: DOMT handhaaft strikte FDR-controle terwijl het consistent presteert boven baselines in statistische power.
• Omgevingen met Uitbarstingen/Koude Starts: Deterministische baselines lijden aan absolute drempeluitputting, wat leidt tot bijna nul power wanneer signalen eindelijk arriveren. DOMT slaagt erin deze "mini-droogtes" te overbruggen, vertraagde signaalausbarstingen te vangen en een macroscopische reductie in vals-negatieven te bereiken.
• Pareto-grens: Empirische resultaten bevestigen dat DOMT navigeren door de niet-stationaire Pareto-grens, waarbij een macroscopische verticale reductie in vals-negatieven wordt bereikt door het betalen van een strikt begrenste horizontale belasting in vals-ontdekkingen.

5. Betekenis en Claims

De paper claimt dat het perspectief van Gewogen Regret de optimalisatiedoelstelling van OMT fundamenteel verschuift van beperkte foutcontrole naar onbeperkt risicominimalisatie. Door de onvermijdelijkheid van lineaire regret in deterministische kaders te bewijzen, betogen de auteurs dat stochastische exploratie niet slechts een heuristiek is, maar een wiskundige noodzaak voor het navigeren door niet-stationaire omgevingen.

De betekenis van DOMT ligt in zijn vermogen om te fungeren als een universele meta-wrapper. Het vervangt bestaande p-waarde of e-waarde procedures (zoals LOND, LORD, SAFFRON of SCORE) niet, maar omhult ze, en redt ze van de "doodlopende weg van de nul-drempel" zonder hun onderliggende super-martingale veiligheidseigenschappen te schenden. De paper benadrukt dat deze benadering toelaat om de Pareto-grens op een "orde-optimale" manier te traverseren, waarbij een ontdekkingdividend wordt veiliggesteld in scenario's met hoge inzet en asymmetrische kosten (bijvoorbeeld medische screening, fraudeopsporing) waarbij het missen van een signaal catastrofaal is.

De auteurs concluderen dat DOMT, hoewel het een "Koude-start-belasting" introduceert (een tijdelijke inflatie van fouten tijdens fasen van pure ruis), dit een bewuste en begrenste afweging is die het systemische falen van deterministische algoritmen voorkomt, en biedt een robuuste oplossing voor online inferentie in real-world, niet-stationaire datastromen.