論文の概要: ARK: Robust Knockoffs Inference with Coupling
- arxiv url: http://arxiv.org/abs/2307.04400v1
- Date: Mon, 10 Jul 2023 08:01:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 13:51:28.749578
- Title: ARK: Robust Knockoffs Inference with Coupling
- Title(参考訳): ARK: 結合によるロバストノックオフ推論
- Authors: Yingying Fan, Lan Gao, Jinchi Lv
- Abstract要約: 本稿では,モデル-Xノックオフフレームワークの,不特定あるいは推定された特徴分布に対するロバスト性について検討する。
我々の理論解析における重要な手法は、近似ノックオフ手順とモデル-Xノックオフ手順とを結合して、これらの2つの手順のランダム変数が実現時に近いようにすることである。
- 参考スコア(独自算出の注目度): 7.349524510920049
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We investigate the robustness of the model-X knockoffs framework with respect
to the misspecified or estimated feature distribution. We achieve such a goal
by theoretically studying the feature selection performance of a practically
implemented knockoffs algorithm, which we name as the approximate knockoffs
(ARK) procedure, under the measures of the false discovery rate (FDR) and
family wise error rate (FWER). The approximate knockoffs procedure differs from
the model-X knockoffs procedure only in that the former uses the misspecified
or estimated feature distribution. A key technique in our theoretical analyses
is to couple the approximate knockoffs procedure with the model-X knockoffs
procedure so that random variables in these two procedures can be close in
realizations. We prove that if such coupled model-X knockoffs procedure exists,
the approximate knockoffs procedure can achieve the asymptotic FDR or FWER
control at the target level. We showcase three specific constructions of such
coupled model-X knockoff variables, verifying their existence and justifying
the robustness of the model-X knockoffs framework.
- Abstract(参考訳): モデル-Xノックオフフレームワークの,不特定あるいは推定された特徴分布に対するロバスト性について検討する。
提案手法は偽発見率 (fdr) とファミリーワイズ誤り率 (fwer) の尺度に基づいて, 近似ノックオフ法 (ark) と呼ばれる, 事実上実装されたノックオフアルゴリズムの特徴選択性能を理論的に検討することで, その目標を達成している。
近似ノックオフ手順はモデルXノックオフ手順と異なり、前者は不特定または推定された特徴分布を使用する。
我々の理論解析における鍵となる手法は、近似ノックオフ手順とモデルxノックオフ手順を組み合わせることで、これらの2つの手順における確率変数が実現に近付くようにすることである。
このような結合モデル-Xノックオフ手順が存在する場合、その近似ノックオフ手順は、目標レベルでの漸近FDRまたはFWER制御を実現することができる。
このような結合モデル-Xノックオフ変数の3つの具体的な構成を示し、それらの存在を検証し、モデル-Xノックオフフレームワークの堅牢性を正当化する。
関連論文リスト
- 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) - Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level
Stability and High-Level Behavior [51.60683890503293]
生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。
任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
論文 参考訳(メタデータ) (2023-07-27T04:27:26Z) - Training Normalizing Flows with the Precision-Recall Divergence [73.92251251511199]
特定精度リコールトレードオフを達成することは、em PR-divergencesと呼ぶ家族からの-divergencesの最小化に相当することを示す。
本稿では, 正規化フローをトレーニングして, 偏差を最小化し, 特に, 所与の高精度リコールトレードオフを実現する新しい生成モデルを提案する。
論文 参考訳(メタデータ) (2023-02-01T17:46:47Z) - Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
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。
論文 参考訳(メタデータ) (2022-03-09T01:55:59Z) - Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
強靭性と精度のトレードオフは、敵文学において広く研究されている。
局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。
定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
論文 参考訳(メタデータ) (2022-02-21T10:36:09Z) - Learning generative models for valid knockoffs using novel
multivariate-rank based statistics [12.528602250193206]
ランクエネルギー (RE) は、Monge's Optimal Transport (OT) 問題における最適写像を特徴付ける理論的結果を用いて導出される。
我々は、ソフトランクエネルギー(sRE)と呼ばれるREの変種と、ソフトランク最大平均誤差(sRMMD)と呼ばれるカーネル変種を提案する。
次に、sRMMDを用いて深いノックオフを生成し、有効なノックオフを生成するための新規かつ効果的な方法であることを示す。
論文 参考訳(メタデータ) (2021-10-29T18:51:19Z) - Tractable Inference in Credal Sentential Decision Diagrams [116.6516175350871]
確率感性決定図は、解離ゲートの入力が確率値によってアノテートされる論理回路である。
我々は、局所確率を質量関数のクレーダル集合に置き換えることができる確率の一般化である、クレーダル感性決定図を開発する。
まず,ノイズの多い7セグメント表示画像に基づく簡単なアプリケーションについて検討する。
論文 参考訳(メタデータ) (2020-08-19T16:04:34Z) - Deep Direct Likelihood Knockoffs [28.261829940133484]
科学的領域では、科学者は予測を行うのにどの特徴が実際に重要なのかを知りたがることが多い。
Model-Xのノックオフにより、FDRを制御して重要な特徴を発見することができる。
我々は、ノックオフスワップ特性がもたらすKLの発散を直接最小化するDeep Direct Likelihood Knockoffs (DDLK) を開発した。
論文 参考訳(メタデータ) (2020-07-31T04:09:46Z) - 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) - Aggregation of Multiple Knockoffs [33.79737923562146]
AKO (Aggregation of Multiple Knockoffs) は、Knockoffベースの推論のランダムな性質に固有の不安定性に対処する。
AKOは、False Discovery Rateコントロールの保証を維持しながら、元のKnockoffアルゴリズムと比較して安定性とパワーの両方を改善している。
我々は、新しい推論手順を提供し、そのコア特性を証明し、その利点を合成および実際のデータセットに関する一連の実験で実証する。
論文 参考訳(メタデータ) (2020-02-21T13:28:40Z)
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。