做产品 A/B/n 测试时，我们想用尽量少的数据，从多个版本里选出平均表现最好的一个，同时把误判概率压在预设门槛内。这就是固定置信度的最佳臂识别。传统证明常把“选错某个版本”的概率逐项相加，像给每种错误分别留预算；候选越多，界限可能越保守。
Rianne de Heide 的关键观察是：代价出现在哪里，取决于怎样提问。若零假设是“某个臂不是最佳”，真实最佳臂之外的所有假设都同时为真，控制族错误率——至少错拒一个真实假设的概率——自然要顾及多项错误。反过来，把零假设写成“某个臂是最佳”，所有候选构成互斥分区，只有一个为真；若能直接为每个分区构造任意时刻都有效的检验，就不必在分区之间做 Bonferroni 校正。
但若算法仍靠逐对比较来淘汰候选，真实最佳臂可能被任一竞争者错误击败，联合界便转移到这个复合检验内部。论文因此没有声称联合界总能删掉：对固定候选数和误判门槛，相关项通常只影响对数阈值中的低阶部分；更精细的联合检验能否利用依赖关系和整体结构，还要看具体问题。