最优臂识别为何总带K-1因子？新研究揭穿联合界的隐藏真相！
Where Does the Union Bound Go? Best-Arm Identification and Strong FWER Control
👨💼 主理人解读 · 为什么值得关注
分析固定置信度最佳臂识别中联合界的必要性，提供强FWER控制的理论洞见。
📖 AI 总结
该论文探讨了固定置信度最佳臂识别问题中，证明过程中常使用的联合界（union bound）与多重检验中强族错误率（FWER）控制之间的深层联系。文章指出，在最佳臂唯一的情况下，看似多余的K-1倍Bonferroni修正因子，实际上源于两种不同的假设定向方式：一种定向下，问题等价于包含K-1个真实零假设的强FWER控制；另一种定向下，虽只有一个零假设为真，但成对比较可能通过K-1个路径错误拒绝该假设。因此，多重性并未消失，只是在不同框架中表现不同。该研究明确了两大领域术语和概念上的等价性，有助于统一理解最佳臂识别与多重检验的理论基础。
🔑 关键词速览
| best-arm identification | 最优臂识别，指在多臂老虎机问题中确定具有最高期望奖励的臂的统计推断任务。 |
| union bound | 联合界，一种概率不等式，用于同时控制多个事件发生的概率上界。 |
| FWER (familywise error rate) | 族错误率，指在多重假设检验中至少出现一次错误拒绝的概率。 |
| Bonferroni-type factor | Bonferroni 型因子，指为控制多重比较错误而引入的校正系数，通常等于比较次数。 |
| fixed-confidence | 固定置信度，指在预先设定置信水平下进行推断的设定，常用于序贯决策问题。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅