論文の概要: Locally Adaptive Transfer Learning Algorithms for Large-Scale Multiple
Testing
- arxiv url: http://arxiv.org/abs/2203.11461v2
- Date: Wed, 23 Mar 2022 05:01:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-24 11:51:23.626838
- Title: Locally Adaptive Transfer Learning Algorithms for Large-Scale Multiple
Testing
- Title(参考訳): 大規模多重テストのための局所適応移動学習アルゴリズム
- Authors: Ziyi Liang, T. Tony Cai, Wenguang Sun, Yin Xia
- Abstract要約: 本稿では,複数検定のためのトランスファー学習のための局所適応型トランスファー学習アルゴリズム(LATLA)を提案する。
LATLAは、関連するソースドメイン、おそらく異なる次元/構造および多様な集団からの補助データの複数のサンプルを組み込んでいる。
疾患関連SNPの同定のためのゲノムワイド・アソシエーション研究への応用を通して、本研究を図示する。
- 参考スコア(独自算出の注目度): 2.833107519113746
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transfer learning has enjoyed increasing popularity in a range of big data
applications. In the context of large-scale multiple testing, the goal is to
extract and transfer knowledge learned from related source domains to improve
the accuracy of simultaneously testing of a large number of hypotheses in the
target domain. This article develops a locally adaptive transfer learning
algorithm (LATLA) for transfer learning for multiple testing. In contrast with
existing covariate-assisted multiple testing methods that require the auxiliary
covariates to be collected alongside the primary data on the same testing
units, LATLA provides a principled and generic transfer learning framework that
is capable of incorporating multiple samples of auxiliary data from related
source domains, possibly in different dimensions/structures and from diverse
populations. Both the theoretical and numerical results show that LATLA
controls the false discovery rate and outperforms existing methods in power.
LATLA is illustrated through an application to genome-wide association studies
for the identification of disease-associated SNPs by cross-utilizing the
auxiliary data from a related linkage analysis.
- Abstract(参考訳): 転送学習は、さまざまなビッグデータアプリケーションで人気が高まっている。
大規模多重テストのコンテキストでは、関連するソースドメインから学んだ知識を抽出し、転送することで、ターゲットドメイン内の多数の仮説を同時にテストする精度を向上させることが目標だ。
本稿では,複数検定のための伝達学習のための局所適応変換学習アルゴリズム (LATLA) を提案する。
同じテストユニット上の一次データと並行して補助共変量の収集を必要とする既存の共変量支援複数のテスト方法とは対照的に、latlaは、関連するソースドメインから、おそらく異なる次元/構造および多様な集団から補助データの複数のサンプルを組み込むことができる、原則付きで汎用的な転送学習フレームワークを提供する。
理論的および数値的な結果は、LATLAが誤った発見率を制御し、既存の方法よりも優れていることを示している。
LATLAは、関連リンケージ解析から補助データを相互利用することにより、疾患関連SNPの同定のためのゲノムワイドアソシエーション研究への応用を通して説明される。
関連論文リスト
- Meta-Statistical Learning: Supervised Learning of Statistical Inference [59.463430294611626]
この研究は、大きな言語モデル(LLM)の成功を駆動するツールと原則が、分散レベルのタスクに取り組むために再利用可能であることを実証している。
本稿では,統計的推論タスクを教師付き学習問題として再構成するマルチインスタンス学習に触発されたメタ統計学習を提案する。
論文 参考訳(メタデータ) (2025-02-17T18:04:39Z) - An Information Criterion for Controlled Disentanglement of Multimodal Data [39.601584166020274]
マルチモーダル表現学習は、複数のモーダルに固有の情報を関連付けて分解しようとする。
Disentangled Self-Supervised Learning (DisentangledSSL)は、非角表現を学習するための新しい自己教師型アプローチである。
論文 参考訳(メタデータ) (2024-10-31T14:57:31Z) - Multimodal Structure Preservation Learning [13.868320911807587]
データ表現を学習する新しい方法として,マルチモーダル構造保存学習(MSPL)を提案する。
合成時系列データ中の潜伏構造を解明し,全ゲノムシークエンシングおよび抗菌抵抗性データからクラスターを回収するためのMSPLの有効性を実証した。
論文 参考訳(メタデータ) (2024-10-29T20:21:40Z) - Simple Ingredients for Offline Reinforcement Learning [86.1988266277766]
オフライン強化学習アルゴリズムは、ターゲット下流タスクに高度に接続されたデータセットに有効であることが証明された。
既存の手法が多様なデータと競合することを示す。その性能は、関連するデータ収集によって著しく悪化するが、オフラインバッファに異なるタスクを追加するだけでよい。
アルゴリズム的な考慮以上のスケールが、パフォーマンスに影響を及ぼす重要な要因であることを示す。
論文 参考訳(メタデータ) (2024-03-19T18:57:53Z) - A Structural-Clustering Based Active Learning for Graph Neural Networks [16.85038790429607]
グラフ構造化データに特化して設計された能動学習(SPA)の改善のための構造クラスタリングページランク法を提案する。
SPAは,SCANアルゴリズムを用いたコミュニティ検出とPageRankスコアリング手法を統合し,効率的かつ有益なサンプル選択を行う。
論文 参考訳(メタデータ) (2023-12-07T14:04:38Z) - Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。
PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。
提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2023-09-27T14:39:41Z) - Regularization Through Simultaneous Learning: A Case Study on Plant
Classification [0.0]
本稿では,トランスファーラーニングとマルチタスクラーニングの原則に基づく正規化アプローチである同時学習を紹介する。
我々は、ターゲットデータセットであるUFOP-HVDの補助データセットを活用し、カスタマイズされた損失関数でガイドされた同時分類を容易にする。
興味深いことに,本手法は正規化のないモデルよりも優れた性能を示す。
論文 参考訳(メタデータ) (2023-05-22T19:44:57Z) - Domain Adaptation Principal Component Analysis: base linear method for
learning with out-of-distribution data [55.41644538483948]
ドメイン適応は現代の機械学習において一般的なパラダイムである。
ドメイン適応主成分分析(DAPCA)という手法を提案する。
DAPCAは、領域適応タスクの解決に有用な線形化データ表現を見つける。
論文 参考訳(メタデータ) (2022-08-28T21:10:56Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - Relation-Guided Representation Learning [53.60351496449232]
本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。
私たちのフレームワークは、サンプル間の関係をよく保存します。
サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
論文 参考訳(メタデータ) (2020-07-11T10:57:45Z)
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。