論文の概要: Joint Estimation and Inference for Multi-Experiment Networks of
High-Dimensional Point Processes
- arxiv url: http://arxiv.org/abs/2109.11634v1
- Date: Thu, 23 Sep 2021 20:41:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-27 14:06:44.405812
- Title: Joint Estimation and Inference for Multi-Experiment Networks of
High-Dimensional Point Processes
- Title（参考訳）: 高次元点過程の複数実験ネットワークの合同推定と推定
- Authors: Xu Wang and Ali Shojaie
- Abstract要約: 本稿では,高次元点過程のネットワークに対する共同推定手法を提案する。
また,すべての推定ネットワークのエッジに対する強力な階層的多重テスト手法を提案する。
- 参考スコア（独自算出の注目度）: 9.70107309162694
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Modern high-dimensional point process data, especially those from
neuroscience experiments, often involve observations from multiple conditions
and/or experiments. Networks of interactions corresponding to these conditions
are expected to share many edges, but also exhibit unique, condition-specific
ones. However, the degree of similarity among the networks from different
conditions is generally unknown. Existing approaches for multivariate point
processes do not take these structures into account and do not provide
inference for jointly estimated networks. To address these needs, we propose a
joint estimation procedure for networks of high-dimensional point processes
that incorporates easy-to-compute weights in order to data-adaptively encourage
similarity between the estimated networks. We also propose a powerful
hierarchical multiple testing procedure for edges of all estimated networks,
which takes into account the data-driven similarity structure of the
multi-experiment networks. Compared to conventional multiple testing
procedures, our proposed procedure greatly reduces the number of tests and
results in improved power, while tightly controlling the family-wise error
rate. Unlike existing procedures, our method is also free of assumptions on
dependency between tests, offers flexibility on p-values calculated along the
hierarchy, and is robust to misspecification of the hierarchical structure. We
verify our theoretical results via simulation studies and demonstrate the
application of the proposed procedure using neuronal spike train data.
- Abstract（参考訳）: 現代の高次元の点過程データ、特に神経科学の実験では、しばしば複数の条件や実験から観測される。
これらの条件に対応する相互作用のネットワークは多くのエッジを共有することが期待されている。
しかし、異なる条件下でのネットワーク間の類似度は一般に不明である。
既存の多変量点過程のアプローチはこれらの構造を考慮に入れず、共同推定ネットワークの推論を提供しない。
これらのニーズに対処するために、推定されたネットワーク間の類似性をデータ適応的に促進するために、計算が容易な重みを組み込んだ高次元点過程のネットワークに対する共同推定手法を提案する。
また,マルチ実験ネットワークのデータ駆動類似性構造を考慮した,すべての推定ネットワークのエッジに対する強力な階層的多重テスト手法を提案する。
従来の多重検査法と比較して,提案手法はテスト数を大幅に削減し,出力向上を図り,家族毎の誤差率を厳しく制御した。
既存の手順とは異なり,本手法ではテスト間の依存関係の仮定が不要であり,階層構造に沿って計算されたp値の柔軟性を提供し,階層構造の不特定に頑健である。
シミュレーション研究により理論的結果を検証し,神経スパイクトレインデータを用いた提案手法の適用性を示す。
関連論文リスト
- PALMS: Parallel Adaptive Lasso with Multi-directional Signals for Latent Networks Reconstruction [6.949853145487146]
本稿では,圧縮センシング技術を用いたネットワーク再構成手法のための汎用分散並列計算フレームワークを提案する。
分散アルゴリズムを用いた近似推定は理論的結果を維持することができることを示す。
論文 参考訳（メタデータ） (2024-11-18T10:58:16Z) - Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。
この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。
提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文 参考訳（メタデータ） (2024-07-26T10:29:16Z) - Rethinking Clustered Federated Learning in NOMA Enhanced Wireless
Networks [60.09912912343705]
本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。
データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。
非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
論文 参考訳（メタデータ） (2024-03-05T17:49:09Z) - Predictions Based on Pixel Data: Insights from PDEs and Finite Differences [0.0]
本稿では,各観測が行列である時間列の近似を扱う。
比較的小さなネットワークでは、直線法に基づいて、PDEの数値的な離散化のクラスを正確に表現できることが示される。
我々のネットワークアーキテクチャは、典型的に時系列の近似に採用されているものから着想を得ている。
論文 参考訳（メタデータ） (2023-05-01T08:54:45Z) - Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。
また、局所的な一貫性の結果に基づいた理論的保証も提供する。
この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文 参考訳（メタデータ） (2022-11-17T15:48:06Z) - Layer Ensembles [95.42181254494287]
本稿では,ネットワークの各層に対する独立なカテゴリ分布の集合を考慮した不確実性推定手法を提案する。
その結果,メモリと実行時間が少なくなるモデルが得られた。
論文 参考訳（メタデータ） (2022-10-10T17:52:47Z) - Simulation Paths for Quantum Circuit Simulation with Decision Diagrams [72.03286471602073]
決定図を用いて量子回路をシミュレートする際に選択される経路の重要性について検討する。
我々は、専用のシミュレーションパスを調査できるオープンソースのフレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-01T19:00:11Z) - A Coupled CP Decomposition for Principal Components Analysis of
Symmetric Networks [11.988825533369686]
シーケンスネットワークデータのための主成分分析(PCA)フレームワークを提案する。
提案した「結合CP」分解の効率的な計算アルゴリズムを導出する。
本稿は、シミュレーションデータと、政治科学・金融経済学の事例における提案の有効性を実証する。
論文 参考訳（メタデータ） (2022-02-09T20:52:19Z) - The Importance of Being Correlated: Implications of Dependence in Joint
Spectral Inference across Multiple Networks [4.238478445823]
マルチネットワーク上のスペクトル推論は、グラフ統計学の急速に発展するサブフィールドである。
近年の研究では、複数の独立ネットワークの結合または同時スペクトル埋め込みにより、より正確な推定が可能になることが示されている。
一般化されたOmnibus埋め込み手法を提案し、この埋め込みを独立ネットワークと相関ネットワークの両方にまたがって詳細に解析する。
論文 参考訳（メタデータ） (2020-08-01T03:43:52Z) - Latent Network Structure Learning from High Dimensional Multivariate
Point Processes [5.079425170410857]
本研究では,観測データの基盤となる複雑な過程を特徴付けるために,非定常ホークスプロセスの新たなクラスを提案する。
効率のよい最小二乗推定手法を用いて潜在ネットワーク構造を推定する。
シミュレーション研究を通じて提案手法の有効性を実証し, ニューロンスパイクトレインデータセットへの適用について述べる。
論文 参考訳（メタデータ） (2020-04-07T17:48:01Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳（メタデータ） (2020-02-21T13:48:13Z)
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。