本文提出了一种通用框架，用于强大的连续假设检验，适用于多种非参数测试问题。该框架能够在线监控数据流，控制类型 I 错误，并根据未知难度调整样本大小。实证结果表明，该框架在多个任务上与专门基准测试具有竞争力。

本文探讨了大型图形的两样本检验问题，比较了现有的理论检验方法及其自举变体，并提出了一种新的渐近分布检验方法，具有更低的计算复杂度和更高的可靠性。此外，研究了网络统计学在假设检验中的应用，提出了针对大类非参数测试的框架，强调了其在在线数据流监控和类型 I 错误控制方面的优势。

该文介绍了一种通用的框架，用于构建针对大类非参数测试问题的强大的连续假设检验。该框架可以统一处理多个经典任务，如双样本测试、独立性测试和条件独立性测试，以及现代问题，如对机器学习模型的对抗鲁棒性测试。