我们探讨了模式识别“二十个问题”方法的理论基础。分析的对象是计算过程本身，而不是概率分布（贝叶斯推断）或决策边界（统计学习）。我们的公式是基于场景解释的应用，在场景解释中，数据有很多可能的解释，其中一种（“背景”）在统计上占主导地位，必须将密集计算限制在真正模糊的区域。

这里的重点是模式过滤：给定一大组可能的模式或解释$\mathcal{Y}$，缩小真实的范围年到一个小的（随机）子集$\widehat{Y}\subset\mathcal{Y}$的“检测到的”模式，以进行进一步、更密集的处理。为此，我们考虑了一系列假设检验年∈A类与非特异性替代品相比年∈A类^c（c）。每个测试都有空的类型I错误，候选集$A\subset\mathcal{Y}$排列在嵌套分区的层次结构中。然后根据范围对这些测试进行描述(|A类|)功率（或II类错误）和算法成本。

我们考虑顺序测试策略，在这种策略中，根据过去的结果，反复做出决定，决定下一次执行哪个测试以及何时停止测试。这套Ŷ然后被视为未被执行的测试排除的模式集。策略的总成本是“测试成本”和“后处理成本”的总和（与|Ŷ|)并分析了相应的优化问题。正如可能预期的那样，在温和的假设下，良好的顺序测试策略设计表现出从大范围、低功耗到高功耗的稳步发展，以及对特定解释的专注。在确保这一特性的假设中，成本/功率比率起着关键作用。这些想法在杂波中检测矩形的上下文中进行了说明。