Fugu-MT 論文翻訳(概要): High-dimensional Inference and FDR Control for Simulated Markov Random Fields

論文の概要: High-dimensional Inference and FDR Control for Simulated Markov Random Fields

arxiv url: http://arxiv.org/abs/2202.05612v3
Date: Sat, 20 Jan 2024 03:21:05 GMT
ステータス: 処理完了
システム内更新日: 2024-01-24 00:40:04.821409
Title: High-dimensional Inference and FDR Control for Simulated Markov Random Fields
Title（参考訳）: マルコフ確率場に対する高次元推論とFDR制御
Authors: Haoyu Wei, Xiaoyu Lei, Yixin Han, Huiming Zhang
Abstract要約: 本稿では,高次元環境におけるマルコフ確率場に対する統計的推測について検討する。弾性ネット正規化を用いた最大チェインモンテカルロ類似度推定法を提案する。
参考スコア（独自算出の注目度）: 1.9458156037869137
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Identifying important features linked to a response variable is a fundamental task in various scientific domains. This article explores statistical inference for simulated Markov random fields in high-dimensional settings. We introduce a methodology based on Markov Chain Monte Carlo Maximum Likelihood Estimation (MCMC-MLE) with Elastic-net regularization. Under mild conditions on the MCMC method, our penalized MCMC-MLE method achieves $\ell_{1}$-consistency. We propose a decorrelated score test, establishing both its asymptotic normality and that of a one-step estimator, along with the associated confidence interval. Furthermore, we construct two false discovery rate control procedures via the asymptotic behaviors for both p-values and e-values. Comprehensive numerical simulations confirm the theoretical validity of the proposed methods.
Abstract（参考訳）: 応答変数に関連する重要な特徴を特定することは、様々な科学領域における基本的な課題である。本稿では,高次元環境におけるマルコフ確率場の統計的推論について検討する。本稿では,Markov Chain Monte Carlo Maximum Likelihood Estimation (MCMC-MLE) に基づく弾性ネット正規化手法を提案する。 MCMC法では, 軽度条件下では, MCMC-MLE法は$\ell_{1}$-consistencyを実現する。本研究では,その漸近的正規性と一段階推定器のそれと関連する信頼区間を両立させた相関スコアテストを提案する。さらに,p値とe値の両方に対する漸近的行動を通じて,偽発見率制御手順を2つ構築する。総合数値シミュレーションにより提案手法の理論的妥当性が検証された。

関連論文リスト

Semiparametric inference for impulse response functions using double/debiased machine learning [49.1574468325115]
本稿では,インパルス応答関数(IRF)に対する機械学習推定手法を提案する。提案した推定器は、処理と結果変数の完全な非パラメトリック関係に依存することができ、柔軟な機械学習アプローチを用いてIRFを推定することができる。
論文参考訳（メタデータ） (2024-11-15T07:42:02Z)
Recursive Learning of Asymptotic Variational Objectives [49.69399307452126]
一般状態空間モデル(英: General State-space Model, SSM)は、統計機械学習において広く用いられ、時系列データに対して最も古典的な生成モデルの一つである。オンラインシーケンシャルIWAE(OSIWAE)は、潜在状態の推測のためのモデルパラメータとマルコフ認識モデルの両方のオンライン学習を可能にする。このアプローチは、最近提案されたオンライン変分SMC法よりも理論的によく確立されている。
論文参考訳（メタデータ） (2024-11-04T16:12:37Z)
Multivariate Stochastic Dominance via Optimal Transport and Applications to Models Benchmarking [21.23500484100963]
最適輸送の枠組みの下で, ほぼ優位性をスムーズなコストで評価する統計モデルを導入する。また、Sinkhornアルゴリズムを用いた仮説テストフレームワークと効率的な実装を提案する。複数のメトリクスで評価された大規模言語モデルの比較とベンチマークを行う方法について紹介する。
論文参考訳（メタデータ） (2024-06-10T16:14:50Z)
A Unified Theory of Stochastic Proximal Point Methods without Smoothness [52.30944052987393]
近点法はその数値的安定性と不完全なチューニングに対する頑健性からかなりの関心を集めている。本稿では,近位点法(SPPM)の幅広いバリエーションの包括的解析について述べる。
論文参考訳（メタデータ） (2024-05-24T21:09:19Z)
Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文参考訳（メタデータ） (2023-12-19T21:45:38Z)
Adaptive sparseness for correntropy-based robust regression via automatic relevance determination [17.933460891374498]
我々は,最大コレントロピー基準(MCC)に基づくロバスト回帰アルゴリズムと自動妥当性判定(ARD)手法をベイズフレームワークに統合する。我々は、MCCから固有のノイズ仮定を用いて、明示的な可能性関数を導出し、ARD前の最大後部推定(MAP)を実現する。 MCC-ARDはL1正規化MCCよりも優れた予測性能と特徴選択能力を実現している。
論文参考訳（メタデータ） (2023-01-31T20:23:32Z)
Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
論文参考訳（メタデータ） (2021-11-11T14:28:12Z)
Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
論文参考訳（メタデータ） (2021-02-04T02:21:08Z)
Community Detection in the Stochastic Block Model by Mixed Integer Programming [3.8073142980733]
Degree-Corrected Block Model (DCSBM) は、コミュニティ構造を持つランダムグラフを生成する一般的なモデルである。 DCSBMに基づくコミュニティ検出の標準的なアプローチは、最大推定(MLE)により観測されたネットワークデータを生成する可能性が最も高いモデルパラメータを探索することである。本稿では,モデルパラメータと最大確率のコミュニティ割当を観測グラフから確実に求める数学的計画式と厳密解法を提案する。
論文参考訳（メタデータ） (2021-01-26T22:04:40Z)
Rigid and Articulated Point Registration with Expectation Conditional Maximization [20.096170794358315]
革新的なEMライクアルゴリズム、すなわちECMPR(Conditional Expectation Maximization for Point Registration)アルゴリズムを紹介します。登録パラメータの推定の観点で、関連する結果について詳細に分析する。堅固な登録を有形登録まで延長します。
論文参考訳（メタデータ） (2020-12-09T17:36:11Z)
Non-convex Learning via Replica Exchange Stochastic Gradient MCMC [25.47669573608621]
本稿では,適応的複製交換SGMCMC(reSGMCMC)を提案し,バイアスを自動的に補正し,対応する特性について検討する。実験では,様々な設定の広範囲な実験を通じてアルゴリズムを検証し,その結果を得た。
論文参考訳（メタデータ） (2020-08-12T15:02:59Z)

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。