論文の概要: A Genetic Algorithm-based Framework for Learning Statistical Power Manifold

• arxiv url: http://arxiv.org/abs/2209.00215v1
• Date: Thu, 1 Sep 2022 04:15:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-02 13:20:14.133502
• Title: A Genetic Algorithm-based Framework for Learning Statistical Power Manifold
• Title（参考訳）: 遺伝的アルゴリズムを用いた統計的パワーマニフォールド学習フレームワーク
• Authors: Abhishek K. Umrawal, Sean P. Lane, and Erin P. Hennes
• Abstract要約: 統計的パワー多様体を学習するための遺伝的アルゴリズムに基づく新しいフレームワークを提案する。 多重線形回帰$F$-testに対して,提案アルゴリズムはブルートフォース法と比較して,統計的パワー多様体をはるかに高速に学習することを示す。
• 参考スコア（独自算出の注目度）: 1.7205106391379026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Statistical power is a measure of the goodness/strength of a hypothesis test. Formally, it is the probability of detecting an effect, if there is a true effect present to detect. Hence, optimizing statistical power as a function of some parameters of a hypothesis test is desirable. However, for most hypothesis tests, the explicit functional form of statistical power as a function of those parameters is unknown but calculating statistical power for a given set of values of those parameters is possible using simulated experiments. These simulated experiments are usually computationally expensive. Hence, developing the entire statistical power manifold using simulations can be very time-consuming. Motivated by this, we propose a novel genetic algorithm-based framework for learning statistical power manifold. For a multiple linear regression $F$-test, we show that the proposed algorithm/framework learns the statistical power manifold much faster as compared to a brute-force approach as the number of queries to the power oracle is significantly reduced. We also show that the quality of learning the manifold improves as the number of iterations increases for the genetic algorithm.
• Abstract（参考訳）: 統計力は仮説テストの良さ/強さの尺度である。 正式には、それが検出すべき真の効果がある場合、その効果を検出する確率である。 したがって、仮説検定のパラメータの関数として統計的パワーを最適化することが望ましい。 しかし、ほとんどの仮説テストでは、これらのパラメータの関数としての統計的パワーの明示的な汎関数形式は未知であるが、与えられたパラメータの値の集合に対する統計的パワーを計算することはシミュレーション実験を用いて可能である。 これらのシミュレーション実験は通常計算コストがかかる。 したがって、シミュレーションを用いて統計パワー多様体全体を開発するのは非常に時間がかかる。 そこで本研究では,統計量多様体を学習するための新しい遺伝的アルゴリズムに基づくフレームワークを提案する。 多重線形回帰$f$-testの場合、提案するアルゴリズム/フレームワークは、oracleのパワーに対するクエリ数が大幅に減少するので、ブルートフォースアプローチに比べてはるかに高速に統計パワー多様体を学習できることを示します。 また, 遺伝的アルゴリズムの反復数の増加に伴い, 多様体学習の質が向上することを示した。

関連論文リスト

• Nonparametric independence tests in high-dimensional settings, with applications to the genetics of complex disease [55.2480439325792]
  遺伝子データの支持空間における適切な事前測定構造の定義が,このような検査に新たなアプローチをもたらすことを示す。 各問題に対して、数学的結果、シミュレーションおよび実データへの適用を提供する。
  論文  参考訳（メタデータ） (2024-07-29T01:00:53Z)
• Precise Error Rates for Computationally Efficient Testing [75.63895690909241]
  本稿では,計算複雑性に着目した単純な対数-単純仮説テストの問題を再考する。 線形スペクトル統計に基づく既存の試験は、I型とII型の誤差率の間の最良のトレードオフ曲線を達成する。
  論文  参考訳（メタデータ） (2023-11-01T04:41:16Z)
• Hypothesis Testing and Machine Learning: Interpreting Variable Effects in Deep Artificial Neural Networks using Cohen's f2 [0.0]
  深層人工ニューラルネットワークは多くの分野において高い予測性能を示す。 しかし、統計的推測をする余裕はなく、ブラックボックスの操作は人間が理解するには複雑すぎる。 本稿では、現在のXAI手法を拡張し、機械学習のためのモデルに依存しない仮説テストフレームワークを開発する。
  論文  参考訳（メタデータ） (2023-02-02T20:43:37Z)
• Sequential Permutation Testing of Random Forest Variable Importance Measures [68.8204255655161]
  そこで本研究では、逐次置換テストと逐次p値推定を用いて、従来の置換テストに関連する高い計算コストを削減することを提案する。 シミュレーション研究の結果、シーケンシャルテストの理論的性質が当てはまることを確認した。 本手法の数値安定性を2つの応用研究で検討した。
  論文  参考訳（メタデータ） (2022-06-02T20:16:50Z)
• Nonparametric Conditional Local Independence Testing [69.31200003384122]
  条件付き局所独立は、連続的な時間プロセス間の独立関係である。 条件付き地域独立の非パラメトリックテストは行われていない。 二重機械学習に基づく非パラメトリックテストを提案する。
  論文  参考訳（メタデータ） (2022-03-25T10:31:02Z)
• Computational-Statistical Gaps in Reinforcement Learning [23.517741855454044]
  そこでは,CNF式を決定論的遷移,動作の定数数,低次元線形最適値関数を備えたMDP仮説に変換する。 この結果は線形関数近似を用いた強化学習における最初の計算統計的ギャップを示す。
  論文  参考訳（メタデータ） (2022-02-11T04:48:35Z)
• PowerGraph: Using neural networks and principal components to multivariate statistical power trade-offs [0.0]
  複数のモデルパラメータを持つ計画研究に対する事前統計パワー推定は本質的に多変量問題である。 このような場合の明示的な解は非現実的であるか、解決できないかのいずれかであり、研究者はパワーをシミュレートする一般的な方法を残している。 本稿では,様々なモデルパラメータの組み合わせに関する研究において,統計的パワーの効率的な推定とグラフ化について検討する。
  論文  参考訳（メタデータ） (2021-12-29T19:06:29Z)
• Significance tests of feature relevance for a blackbox learner [6.72450543613463]
  ブラックボックス学習者の特徴関連性に関する2つの一貫した試験を導出する。 第1は、推論サンプルの摂動による損失差を評価する。 2つ目は推論サンプルを2つに分割するが、データの摂動は必要ない。
  論文  参考訳（メタデータ） (2021-03-02T00:59:19Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Instability, Computational Efficiency and Statistical Accuracy [101.32305022521024]
  我々は,人口レベルでのアルゴリズムの決定論的収束率と,$n$サンプルに基づく経験的対象に適用した場合の(不安定性)の間の相互作用に基づいて,統計的精度を得るフレームワークを開発する。 本稿では,ガウス混合推定,非線形回帰モデル,情報的非応答モデルなど,いくつかの具体的なモデルに対する一般結果の応用について述べる。
  論文  参考訳（メタデータ） (2020-05-22T22:30:52Z)

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。