論文の概要: Nonparametric Empirical Bayes Estimation and Testing for Sparse and Heteroscedastic Signals

• arxiv url: http://arxiv.org/abs/2106.08881v1
• Date: Wed, 16 Jun 2021 15:55:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-17 17:10:06.895366
• Title: Nonparametric Empirical Bayes Estimation and Testing for Sparse and Heteroscedastic Signals
• Title（参考訳）: スパース信号とヘテロセダス信号の非パラメトリック経験的ベイズ推定と試験
• Authors: Junhui Cai, Xu Han, Ya'acov Ritov, Linda Zhao
• Abstract要約: 大規模な現代データは、しばしば高次元未知パラメータの推定とテストを伴う。 粗い信号、干し草の巣の針を精度と誤検出制御で識別することが望ましい。 本稿では,SNP(Spyke-and-Nonparametric mixture prior)を提案する。
• 参考スコア（独自算出の注目度）: 5.715675926089834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale modern data often involves estimation and testing for high-dimensional unknown parameters. It is desirable to identify the sparse signals, ``the needles in the haystack'', with accuracy and false discovery control. However, the unprecedented complexity and heterogeneity in modern data structure require new machine learning tools to effectively exploit commonalities and to robustly adjust for both sparsity and heterogeneity. In addition, estimates for high-dimensional parameters often lack uncertainty quantification. In this paper, we propose a novel Spike-and-Nonparametric mixture prior (SNP) -- a spike to promote the sparsity and a nonparametric structure to capture signals. In contrast to the state-of-the-art methods, the proposed methods solve the estimation and testing problem at once with several merits: 1) an accurate sparsity estimation; 2) point estimates with shrinkage/soft-thresholding property; 3) credible intervals for uncertainty quantification; 4) an optimal multiple testing procedure that controls false discovery rate. Our method exhibits promising empirical performance on both simulated data and a gene expression case study.
• Abstract（参考訳）: 大規模な現代データは、しばしば高次元未知パラメータの推定とテストを伴う。 ばらばらな信号である ``the needles in the haystack''' を精度と誤検出制御で識別することが望ましい。 しかし、現代のデータ構造における前例のない複雑さと不均一性は、共通性を効果的に活用し、疎性と不均一性の両方を堅牢に調整するために新しい機械学習ツールを必要とする。 さらに、高次元パラメータの推定には不確かさの定量化が欠けていることが多い。 本稿では,SNP(Spyke-and-Nonparametric mixture prior)と非パラメトリック構造(Spike-and-Nonparametric mixture prior)を提案する。 現状の手法とは対照的に,提案手法は,(1)精度の高い空間推定,2)縮退/ソフト保持特性を持つ点推定,3)不確実性定量化のための信頼区間,(4)偽発見率を制御する最適多重試験手順,の3つを同時に解く。 本手法は、シミュレーションデータと遺伝子発現ケーススタディの両方に有望な実験性能を示す。

関連論文リスト

• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Bootstrapped Edge Count Tests for Nonparametric Two-Sample Inference Under Heterogeneity [5.8010446129208155]
  両試料間の差異を正確に検出する新しい非パラメトリック試験法を開発した。 オンラインゲームにおけるユーザ行動検出のための総合シミュレーション研究と応用により,提案試験の非漸近性能が向上したことを示す。
  論文  参考訳（メタデータ） (2023-04-26T22:25:44Z)
• Convergence of uncertainty estimates in Ensemble and Bayesian sparse model discovery [4.446017969073817]
  ブートストラップに基づく逐次しきい値最小二乗推定器による雑音に対する精度と頑健性の観点から経験的成功を示す。 このブートストラップに基づくアンサンブル手法は,誤差率の指数収束率で,確率的に正しい可変選択を行うことができることを示す。
  論文  参考訳（メタデータ） (2023-01-30T04:07:59Z)
• Mutual Wasserstein Discrepancy Minimization for Sequential Recommendation [82.0801585843835]
  逐次リコメンデーションのためのMutual WasserStein差分最小化MSteinに基づく新しい自己教師型学習フレームワークを提案する。 また,ワッサーシュタイン離散度測定に基づく新しい学習損失を提案する。
  論文  参考訳（メタデータ） (2023-01-28T13:38:48Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Statistics and Deep Learning-based Hybrid Model for Interpretable Anomaly Detection [0.0]
  ハイブリッド手法は、予測タスクと予測タスクの両方において、純粋統計的および純粋深層学習法より優れていることが示されている。 MES-LSTMは、これらの課題を克服する解釈可能な異常検出モデルである。
  論文  参考訳（メタデータ） (2022-02-25T14:17:03Z)
• Revisiting One-vs-All Classifiers for Predictive Uncertainty and Out-of-Distribution Detection in Neural Networks [22.34227625637843]
  識別型分類器における確率のパラメトリゼーションが不確実性推定に与える影響について検討する。 画像分類タスクのキャリブレーションを改善するために, 1-vs-all の定式化が可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-10T01:55:02Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)
• Nonparametric Inference under B-bits Quantization [5.958064620718292]
  そこで本研究では,B$ビットに量子化されたサンプルに基づく非パラメトリック試験手法を提案する。 特に、B$が一定の閾値を超えると、提案した非パラメトリックテスト手順が古典的なミニマックステスト率を達成することを示す。
  論文  参考訳（メタデータ） (2019-01-24T18:43:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。