論文の概要: Probabilistic Model Incorporating Auxiliary Covariates to Control FDR

• arxiv url: http://arxiv.org/abs/2210.03178v1
• Date: Thu, 6 Oct 2022 19:35:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 13:16:16.948077
• Title: Probabilistic Model Incorporating Auxiliary Covariates to Control FDR
• Title（参考訳）: 補助共変量を用いたFDR制御確率モデル
• Authors: Lin Qiu, Nils Murrugarra-Llerena, V\'itor Silva, Lin Lin, Vernon M. Chinchilli
• Abstract要約: 複数の仮説テストの側面情報を活用しながら、偽発見率(FDR)を制御することは、現代のデータサイエンスにおける新たな研究トピックである。 統計的パワーを向上し,マルチハイポテーシステストのためのFDRを制御する,深いブラックボックス制御FDR(NeurT-FDR)を提案する。 我々は、NeurT-FDRが3つの実際のデータセットにおいて、競合するベースラインに比べてかなり多くの発見を行うことを示す。
• 参考スコア（独自算出の注目度）: 6.270317798744481
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Controlling False Discovery Rate (FDR) while leveraging the side information of multiple hypothesis testing is an emerging research topic in modern data science. Existing methods rely on the test-level covariates while ignoring metrics about test-level covariates. This strategy may not be optimal for complex large-scale problems, where indirect relations often exist among test-level covariates and auxiliary metrics or covariates. We incorporate auxiliary covariates among test-level covariates in a deep Black-Box framework controlling FDR (named as NeurT-FDR) which boosts statistical power and controls FDR for multiple-hypothesis testing. Our method parametrizes the test-level covariates as a neural network and adjusts the auxiliary covariates through a regression framework, which enables flexible handling of high-dimensional features as well as efficient end-to-end optimization. We show that NeurT-FDR makes substantially more discoveries in three real datasets compared to competitive baselines.
• Abstract（参考訳）: 複数の仮説テストの側面情報を活用しながら、偽発見率(FDR)を制御することは、現代のデータサイエンスにおける新たな研究トピックである。 既存のメソッドはテストレベルのコ変数に依存するが、テストレベルのコ変数に関するメトリクスは無視する。 この戦略は、テストレベルの共変量と補助的な計量または共変量の間に間接関係がしばしば存在する複雑な大規模問題に対して最適ではないかもしれない。 我々は,FDR(NeurT-FDR)を制御する深層ブラックボックスフレームワークにおいて,テストレベルの共変量に補助的共変量を加える。 提案手法は,ニューラルネットワークとしてテストレベル共変分をパラメータ化し,高次元特徴の柔軟なハンドリングと効率的なエンドツーエンド最適化を可能にする回帰フレームワークを介して補助共変分を調整する。 neurt-fdrは3つの実際のデータセットにおいて、競合するベースラインに比べてかなり多く発見できることを示した。

関連論文リスト

• High-Dimensional False Discovery Rate Control for Dependent Variables [10.86851797584794]
  本稿では,変数間の依存関係構造を利用した依存性認識型T-Rexセレクタを提案する。 可変ペナル化機構がFDR制御を保証することを実証する。 グラフィカルモデルとT-Rexフレームワークのパラメータを同時に決定する完全統合最適キャリブレーションアルゴリズムを定式化する。
  論文  参考訳（メタデータ） (2024-01-28T22:56:16Z)
• REST: Enhancing Group Robustness in DNNs through Reweighted Sparse Training [49.581884130880944]
  ディープニューラルネットワーク(DNN)は様々な領域で有効であることが証明されている。 しかし、彼らは推論中に一部の少数派でうまく行動するのに苦労することが多い。
  論文  参考訳（メタデータ） (2023-12-05T16:27:54Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Near-optimal multiple testing in Bayesian linear models with finite-sample FDR control [11.011242089340438]
  高次元変数選択問題では、統計学者はしばしば偽発見率(FDR)を制御する複数の試験手順を設計しようと試みる。 モデルが誤って特定された場合でも、有限サンプルから頻繁なFDRを確実に制御するModel-Xプロシージャを導入する。 提案手法であるPoEdCeは, 後期待, 蒸留ランダム化試験 (dCRT) , およびE値を用いたBenjamini-Hochberg法である。
  論文  参考訳（メタデータ） (2022-11-04T22:56:41Z)
• Two-stage Hypothesis Tests for Variable Interactions with FDR Control [10.750902543185802]
  本稿では,偽発見率(FDR)を制御した2段階テスト手法を提案する。 我々の2段階の手順は古典的BH法よりも効率的であり、比較または改善された統計力を持つという総合的なシミュレーション研究を通して実証する。
  論文  参考訳（メタデータ） (2022-08-31T19:17:00Z)
• FEDNEST: Federated Bilevel, Minimax, and Compositional Optimization [53.78643974257301]
  多くの現代のML問題は、ミニマックスと合成最適化を仮定したネストされた双レベルプログラミングに該当する。 我々は、一般的なネスト問題に対処するフェデレーション付き交互勾配法を提案する。
  論文  参考訳（メタデータ） (2022-05-04T17:48:55Z)
• 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)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)
• Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
  異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。 本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
  論文  参考訳（メタデータ） (2021-02-09T04:05:19Z)
• NeurT-FDR: Controlling FDR by Incorporating Feature Hierarchy [7.496622386458525]
  統計力を高め、複数の仮説テストのためのFDRを制御するNeurT-FDRを提案する。 我々は、NeurT-FDRが強力なFDR保証を持ち、合成データセットと実データセットで大幅に発見することを示しています。
  論文  参考訳（メタデータ） (2021-01-24T21:55:10Z)
• Lower bounds in multiple testing: A framework based on derandomized proxies [107.69746750639584]
  本稿では, 各種コンクリートモデルへの適用例を示す, デランドマイズに基づく分析戦略を提案する。 これらの下界のいくつかを数値シミュレーションし、Benjamini-Hochberg (BH) アルゴリズムの実際の性能と密接な関係を示す。
  論文  参考訳（メタデータ） (2020-05-07T19:59:51Z)

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。