报告聚焦高维数据背景下，传统检验方法（如MMD、ED）功效下降的问题，提出了一种结合投影Wasserstein距离、神经网络与样本分割的新型检验框架。该方法通过将高维数据投影到低维子空间，利用ReLU神经网络从拟合样本中学习最优判别方向，并在测试集上构造标准化的检验统计量。理论上，该统计量渐近服从标准正态分布，无需置换检验即可校准。进一步引入l1/ l0稀疏投影，可提升对坐标稀疏差异的检测能力。模拟实验表明，在维度高达500时，新方法在均值、方差、非高斯分布及相依结构变化等备择假设下，检验功效普遍优于MMD、KFDA等现有方法，且随维度增加表现稳健。

师生还就投影维度的选择、稀疏投影的现实解释等问题进行了交流。