你同时筛查一百条线索，最后圈出十条。即使错误线索只占很小一部分，你仍会面对第二个问题：有没有另一套筛法，既不会增加任何场景下的错误，又总能圈出至少同样多的真线索？如果有，原来的规则就没有继续使用的理由。
Liulei Sun 与 Ruodu Wang 的这篇预印本，把这个问题带到基于 e-value 的多重检验中。它不再只问一套程序能否控制假发现率，还追问：哪些规则已经无法被全面改进，哪些仍有更好的替代品。作者称这是首个系统分析，但目前所有实质结论均来自这一作者团队，尚无独立信源交叉验证。
控住错误，只是第一道门槛
多重检验，就是同时判断许多假设是否成立。检验得越多，偶然冒出的“显著结果”通常也越多。假发现率（false discovery rate，FDR）衡量被判为发现的项目中，错误发现比例的期望值。这里的“期望”是指重复研究后的平均，并不保证每一次实验都刚好低于设定比例。
e-value 是一种非负的证据量。在零假设成立时，它的平均值不超过 1；数值越大，越不利于零假设。e-Benjamini–Hochberg（e-BH）程序则把这些数值按证据强弱排序，再用阈值决定拒绝哪些假设，从而控制 FDR。
但“能控住 FDR”不等于“选择得好”。论文因此采用可容许性（admissibility）来比较规则：如果不存在另一条同样控制 FDR 的规则，在所有输入下都不差，并在至少一些输入下更好，那么原规则就是可容许的。说白了，它未必处处最强，只是找不到一个可以无条件替换它的升级版。
先把两种“输出方式”分开
论文区分了 simultaneous procedure 和 point procedure。
simultaneous procedure 会给出一组经过认证的候选拒绝集合。它像一张菜单，告诉使用者哪些组合都符合要求。point procedure 则必须从中选定一个集合，直接作为最终结果。两者面对的优化问题不同：菜单可以整体扩充，单一结果却必须处理多个候选集合之间的取舍。
作者还为 simultaneous procedure 定义了强、弱两种支配关系。直观地说，强支配要求新程序完整保留旧程序认证过的集合，并可能增加新集合；弱支配则允许新程序用更大的集合覆盖旧结果。论文随后证明，在它讨论的有效程序类别中，这两种关系导出的可容许性最终一致。
关键答案是一族“加权平均”规则
论文把重点放在 weighted-mean closed e-BH，也就是“加权平均的闭合 e-BH”程序。它不只逐个查看原始假设，还为不同假设组合构造加权平均证据，再通过闭合程序决定哪些拒绝集合可以获得认证。
权重允许规则区别对待不同项目。若事先有可靠信息，某些检验可以得到更高权重；普通的 mean procedure 则对各项一视同仁。这里的 constant-free 表示构造加权证据时不额外加入常数项。
论文最强的结构性结论是：在任意给定 FDR 水平下，每个 simultaneous procedure 都会被某个可容许的 weighted-mean closed e-BH 程序强支配，因此也会被弱支配。换句话说，如果一条 simultaneous rule 不在这个加权平均家族里，总能在家族内部找到一条至少全面不差、而且已经可容许的替代规则。
这使 weighted-mean closed e-BH 构成一个完整类（complete class）。完整类的意思是，寻找不可全面改进的规则时，只需在这个家族内部找；类外不会藏着新的可容许程序。它不表示家族里的每个成员都不可改进，更不表示所有成员性能相同。
论文进一步证明，每个 constant-free weighted-mean closed e-BH simultaneous procedure，在任意 FDR 水平下都可容许。这也意味着，使用不对称权重纳入先验信息，并不会自动牺牲这种“不可统一改进”的决策论性质。
point procedure 也有平行结论：每个控制 FDR 的 point procedure，都被某个可容许的 point weighted-mean 程序支配；因此后者同样构成完整类。不过，具体可容许条件更细。论文要求 constant-free 之外还要严格正权重，并指出 point mean procedure 的可容许性存在二分之一这一明确边界。作者同时给出反例，说明严格正权重条件不能普遍删除。
“最常用”不总等于“最大的”
对称规则不根据假设标签区别对待各项。usual mean closed e-BH 是其中最自然的一种。论文证明，它始终可容许；但它只有在 FDR 水平足够小时，才是整个对称类的 largest element——也就是能够支配类内所有其他规则的最大成员。超过该范围后，不只是 usual mean 不再最大，整个对称类都不存在 largest element。
这个区别很重要。可容许只说明没有规则能全面改进它；largest element 则要求它全面覆盖所有竞争者，后者明显更强。没有最大成员，也不代表没有好规则，而是不同规则之间可能各有所长，无法排成一个统一榜首。
论文还研究了带非零常数项的对称程序，并声称给出了常数选择指导。全文材料显示，常数过大会让组合证据对实际的大 e-value 不够敏感，进而可能留下可统一改进的空间；作者给出了充分条件以及一个单参数家族的精确可容许边界。不过，供稿中的公式在抓取时缺失，无法可靠复述具体选取规则。
为什么值得关注
这项工作的价值不在于又提出一条新阈值，而在于缩小了规则选择的搜索范围。过去，研究者可以不断设计新的 FDR 程序，却很难回答一条更基础的问题：新规则究竟填补了真实空缺，还是仍能被另一条规则整体替代？完整类结果把这个问题压缩到 weighted-mean closed e-BH 家族内部。
它也为权重提供了更清楚的定位。权重不只是提高某组数据表现的调参手段；在这套理论里，加权平均结构本身承载了完整类与可容许性结论。论文还设置了高斯均值检验模拟，比较全样本均值程序、拆分样本后的均值程序和从训练数据学习权重的程序。但供稿在报告数值处截断，因此不能据此给出具体提升幅度。
局限与未知
- 这些结论针对任意输入 e-value 的程序，不适用于基于 p-value 的 BH，也不能直接外推到假定 e-value 相互独立的程序。
- “首次系统分析”是作者的优先权表述，目前仅有这篇 arXiv 预印本作为信源。
- 可容许不等于统计功效在所有数据分布下最优；完整类也不意味着类内每条规则都已无改进余地。标题中的“无改进余地”，严格说只适用于论文证明可容许的具体程序。