基于Delaunay加权的高维数据两样本检验

Statistica Sinica · 2026-09-30 · 期刊论文

• 一句话结论：结论：作者提出基于Delaunay权重的非参数两样本检验统计量，在模拟数据中显示对未知流形学习具稳健性，且当分布差异体现在方向信息时检验效能提升较明显；该结论属方法学层面的证据支持。
• 研究设计与做法：设计与做法：方法学研究，提出用Delaunay三角剖分构造Delaunay权重以刻画数据点几何邻近性，并给出学习未知流形与近似该权重的计算流程；推导了零假设下渐近正态性与备择假设下的一致性；在模拟数据与小鼠蛋白表达数据上评估。样本量材料未报告。
• 主要结果：主要结果：作者报告新检验在模拟数据中对未知流形学习具稳健性，当分布差异体现在方向时表现出较大效能增益，并在小鼠蛋白表达真实数据集上显示较高检验效能；具体效应量、置信区间、p值与发生率材料未报告。
• 机制或解释：机制或解释：作者解释，既有相似性度量仅利用成对距离，而Delaunay权重可同时纳入距离与方向信息，从而在高维低维流形假设下更充分利用几何信息，缓解维数灾难带来的检验困难。
• 局限与边界：局限与边界：属方法学论文，证据档位为C；模拟设定与单一真实数据集（小鼠蛋白表达）能否外推至其他人高维数据尚不明确；渐近性质依赖理论假设，有限样本表现、随访与利益冲突等信息材料未报告。
• 可否落地：可否落地：对高维两样本比较的科研场景，该方法提示可作为一种补充工具，尤其当组间差异可能体现在方向而非仅距离时；但目前证据支持限于模拟与单一数据集，尚不足以下结论其优于既有检验，临床落地需更多独立验证。

🔗 打开原文

Jiaqi Gu, Ruoxu Tan, Guosheng Yin

本文摘自《每日前沿研究简报 · 2026-10-01》「数学」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。