文章提出了一种基于最大均值差异(MMD)谱分解的新型核两样本检验方法。该方法通过识别和利用再生核希尔伯特空间(RKHS)中估计质量较高的方向分量，显著提升了检验功效。研究采用多核聚合策略，结合高效的乘数自助法计算临界值，在保持第一类错误率的同时，对高维和不平衡样本数据表现出更强的鲁棒性。模拟实验和微阵列数据集实证表明，该方法在计算效率和统计性能上均优于现有MMD检验。
核两样本检验在非参数统计中具有重要地位，但传统方法对高维数据和不平衡样本的适应性有限。文章创新性地通过谱分解技术分析MMD统计量，揭示了不同方向分量估计质量的显著差异，为提升检验性能提供了新思路。
研究首先建立了混合分布积分算子的谱分解框架，证明MMD可表示为特征值加权的方向分量平方和。关键发现是：前导特征方向在有限样本下具有更稳定的估计质量，而尾部特征方向则引入较大噪声。
针对单核方法方向覆盖有限的问题，提出多核组合方案。通过整合不同核函数提取的优质方向分量，形成具有互补性的检验统计量，显著增强了对复杂差异模式的检测能力。
基于方向分量的渐进正态性，设计了计算高效的乘数自助法。相比置换检验，新方法在保持统计有效性的同时，将计算复杂度从O(N!)降至O(N^2)，在基因表达数据实验中实现165倍加速。
在4种零假设和4种备择假设场景下的模拟表明：在1000维不平衡样本(m=100,n=10)中，多核方法的检验功效比标准MMD提升40%。微阵列数据分析进一步验证了方法的生物医学应用价值。