論文の概要: Error-based Knockoffs Inference for Controlled Feature Selection
- arxiv url: http://arxiv.org/abs/2203.04483v1
- Date: Wed, 9 Mar 2022 01:55:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-10 16:17:42.017759
- Title: Error-based Knockoffs Inference for Controlled Feature Selection
- Title(参考訳): 制御された特徴選択のための誤差に基づくノックオフ推論
- Authors: Xuebin Zhao, Hong Chen, Yingjie Wang, Weifu Li, Tieliang Gong, Yulong
Wang, Feng Zheng
- Abstract要約: 本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。
提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
- 参考スコア(独自算出の注目度): 49.99321384855201
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recently, the scheme of model-X knockoffs was proposed as a promising
solution to address controlled feature selection under high-dimensional
finite-sample settings. However, the procedure of model-X knockoffs depends
heavily on the coefficient-based feature importance and only concerns the
control of false discovery rate (FDR). To further improve its adaptivity and
flexibility, in this paper, we propose an error-based knockoff inference method
by integrating the knockoff features, the error-based feature importance
statistics, and the stepdown procedure together. The proposed inference
procedure does not require specifying a regression model and can handle feature
selection with theoretical guarantees on controlling false discovery proportion
(FDP), FDR, or k-familywise error rate (k-FWER). Empirical evaluations
demonstrate the competitive performance of our approach on both simulated and
real data.
- Abstract(参考訳): 近年,高次元有限サンプル条件下での制御された特徴選択に対処する手段として,モデルXノックオフ方式が提案されている。
しかし、モデルXのノックオフの手順は係数に基づく特徴の重要性に大きく依存しており、偽発見率(FDR)の制御のみに関係している。
本稿では,その適応性と柔軟性をさらに高めるために,ノックオフ機能,エラーに基づく特徴重要度統計,ステップダウン手順を統合することで,誤差に基づくノックオフ推定手法を提案する。
提案手法は回帰モデルを指定する必要はなく, 擬似発見率(FDP), FDR, k- Familywise error rate(k-FWER)の制御に関する理論的保証で特徴選択を処理できる。
実験による評価は,シミュレーションデータと実データの両方に対するアプローチの競合性能を示す。
関連論文リスト
- Causal Feature Selection via Transfer Entropy [59.999594949050596]
因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。
本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。
精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
論文 参考訳(メタデータ) (2023-10-17T08:04:45Z) - Distributional Shift-Aware Off-Policy Interval Estimation: A Unified
Error Quantification Framework [8.572441599469597]
本研究では、無限水平マルコフ決定過程の文脈における高信頼オフ政治評価について検討する。
目的は、未知の行動ポリシーから事前に収集されたオフラインデータのみを用いて、対象の政策値に対する信頼区間(CI)を確立することである。
提案アルゴリズムは, 非線形関数近似設定においても, サンプル効率, 誤差ローバスト, 既知収束性を示す。
論文 参考訳(メタデータ) (2023-09-23T06:35:44Z) - AdaPT-GMM: Powerful and robust covariate-assisted multiple testing [0.7614628596146599]
偽発見率(FDR)制御を用いた複数検定の実証的ベイズ法を提案する。
本手法は,アダプティブp値しきい値法(AdaPT)をマスク方式の一般化により洗練する。
我々は、AdaPT-GMMと呼ばれる新しい手法が一貫して高出力を実現することを、広範囲にわたるシミュレーションと実データ例で示す。
論文 参考訳(メタデータ) (2021-06-30T05:06:18Z) - Entropy-based adaptive design for contour finding and estimating
reliability [0.24466725954625884]
信頼性解析において、故障確率を推定するために用いられる手法は、しばしばモデル評価に関連するコストによって制限される。
本稿では,MFISと組み合わせることで,より正確な故障確率推定を行うエントロピーに基づくGP適応設計を提案する。
ベンチマークデータに加え、NASA(NASA)宇宙服の衝撃損傷シミュレーターへの応用例も紹介されている。
論文 参考訳(メタデータ) (2021-05-24T15:41:15Z) - Safe Chance Constrained Reinforcement Learning for Batch Process Control [0.0]
強化学習(RL)コントローラは,コントロールコミュニティ内で興奮を引き起こしている。
エンジニアリングアプリケーションに関する最近の焦点は、安全なRLコントローラの開発に向けられている。
論文 参考訳(メタデータ) (2021-04-23T16:48:46Z) - Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。
このアプローチは多くの実装と最適化の課題をもたらします。
提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文 参考訳(メタデータ) (2021-03-18T14:26:26Z) - Stein Variational Model Predictive Control [130.60527864489168]
不確実性の下での意思決定は、現実の自律システムにとって極めて重要である。
モデル予測制御 (MPC) 法は, 複雑な分布を扱う場合, 適用範囲が限られている。
この枠組みが、挑戦的で非最適な制御問題における計画の成功に繋がることを示す。
論文 参考訳(メタデータ) (2020-11-15T22:36:59Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳(メタデータ) (2020-11-14T01:27:32Z) - Control as Hybrid Inference [62.997667081978825]
本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。
連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
論文 参考訳(メタデータ) (2020-07-11T19:44:09Z)
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。