論文の概要: Integrated path stability selection

• arxiv url: http://arxiv.org/abs/2403.15877v1
• Date: Sat, 23 Mar 2024 15:55:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-26 20:42:03.564902
• Title: Integrated path stability selection
• Title（参考訳）: 統合的経路安定性選択
• Authors: Omar Melikechi, Jeffrey W. Miller,
• Abstract要約: 本稿では,安定性を最大化するのではなく,安定経路の統合に基づく新しい安定性選択法を提案する。 これにより、E(FP) 上のより厳密なバウンドが得られ、結果として特徴選択基準は、実際よりも感度が高く、目標 E(FP) との整合性も良好に調整される。
• 参考スコア（独自算出の注目度）: 5.263910852465186
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stability selection is a widely used method for improving the performance of feature selection algorithms. However, stability selection has been found to be highly conservative, resulting in low sensitivity. Further, the theoretical bound on the expected number of false positives, E(FP), is relatively loose, making it difficult to know how many false positives to expect in practice. In this paper, we introduce a novel method for stability selection based on integrating the stability paths rather than maximizing over them. This yields a tighter bound on E(FP), resulting in a feature selection criterion that has higher sensitivity in practice and is better calibrated in terms of matching the target E(FP). Our proposed method requires the same amount of computation as the original stability selection algorithm, and only requires the user to specify one input parameter, a target value for E(FP). We provide theoretical bounds on performance, and demonstrate the method on simulations and real data from cancer gene expression studies.
• Abstract（参考訳）: 安定性の選択は特徴選択アルゴリズムの性能を向上させるために広く用いられている手法である。 しかし、安定性の選択は非常に保守的で、感度が低いことが判明した。 さらに、期待される偽陽性数 E(FP) に関する理論的境界は比較的緩く、実際に期待される偽陽性数を知ることは困難である。 本稿では,安定性を最大化するのではなく,安定経路の統合に基づく新しい安定性選択法を提案する。 これにより、E(FP) 上のより厳密なバウンドが得られ、結果として、実際の感度が高く、目標 E(FP) との整合性も良い特徴選択基準が得られる。 提案手法では,元の安定性選択アルゴリズムと同じ計算量が必要であり,E(FP)の目標値である1つの入力パラメータを指定するだけでよい。 本研究は,がん遺伝子発現研究のシミュレーションと実データに関する理論的バウンダリを提示し,その有効性を実証する。

関連論文リスト

• On the Selection Stability of Stability Selection and Its Applications [2.263635133348731]
  本稿では,安定度選択フレームワークの全体的な安定性を評価するため,確立された安定度推定器の利用を拡大することを目的とする。 安定性推定器は、得られた結果の堅牢性を反映する参照として機能し、安定性を向上させるために最適な正規化値を特定するのに役立つ。
  論文  参考訳（メタデータ） (2024-11-14T00:02:54Z)
• Statistical Inference for Temporal Difference Learning with Linear Function Approximation [62.69448336714418]
  時間差差(TD)学習は、おそらく政策評価に最も広く使用されるものであり、この目的の自然な枠組みとして機能する。 本稿では,Polyak-Ruppert平均化と線形関数近似によるTD学習の整合性について検討し,既存の結果よりも3つの重要な改善点を得た。
  論文  参考訳（メタデータ） (2024-10-21T15:34:44Z)
• Fast nonparametric feature selection with error control using integrated path stability selection [12.608885112539202]
  本稿では,経路安定度をしきい値に適用し,偽陽性と偽発見率を制御する一般的な特徴選択法を提案する。 グラデーション・ブースティング(IPSSGB)とランダム・フォレスト(IPSSRF)に基づく一般手法の2つの特別事例に着目した。 RNAシークエンシングデータによる大規模なシミュレーションにより、IPSSGBとIPSSRFはエラー制御が良くなり、より真の陽性を検出し、既存の方法よりも高速であることが示された。
  論文  参考訳（メタデータ） (2024-10-03T04:42:28Z)
• Trust-Region Sequential Quadratic Programming for Stochastic Optimization with Random Models [57.52124921268249]
  本稿では,1次と2次の両方の定常点を見つけるための信頼逐次準計画法を提案する。 本手法は, 1次定常点に収束するため, 対象対象の近似を最小化して定義された各イテレーションの勾配ステップを計算する。 2階定常点に収束するため,本手法は負曲率を減少するヘッセン行列を探索する固有ステップも計算する。
  論文  参考訳（メタデータ） (2024-09-24T04:39:47Z)
• Information-Theoretic Safe Bayesian Optimization [59.758009422067005]
  そこでは、未知の(安全でない)制約に反するパラメータを評価することなく、未知の関数を最適化することを目的としている。 現在のほとんどのメソッドはドメインの離散化に依存しており、連続ケースに直接拡張することはできない。 本稿では,GP後部を直接利用して,最も情報に富む安全なパラメータを識別する情報理論的安全な探索基準を提案する。
  論文  参考訳（メタデータ） (2024-02-23T14:31:10Z)
• Fully Stochastic Trust-Region Sequential Quadratic Programming for Equality-Constrained Optimization Problems [62.83783246648714]
  目的と決定論的等式制約による非線形最適化問題を解くために,逐次2次プログラミングアルゴリズム(TR-StoSQP)を提案する。 アルゴリズムは信頼領域半径を適応的に選択し、既存の直線探索StoSQP方式と比較して不確定なヘッセン行列を利用することができる。
  論文  参考訳（メタデータ） (2022-11-29T05:52:17Z)
• On the Effectiveness of Parameter-Efficient Fine-Tuning [79.6302606855302]
  現在、多くの研究が、パラメータのごく一部のみを微調整し、異なるタスク間で共有されるパラメータのほとんどを保持することを提案している。 これらの手法は, いずれも細粒度モデルであり, 新たな理論的解析を行う。 我々の理論に根ざした空間性の有効性にもかかわらず、調整可能なパラメータをどう選ぶかという問題はまだ未解決のままである。
  論文  参考訳（メタデータ） (2022-11-28T17:41:48Z)
• Loss-guided Stability Selection [0.0]
  LassoやBoostingのようなモデル選択手順は、実際のデータに過度に適合する傾向があることはよく知られている。 標準安定選択は、グローバルな基準、すなわち家族ごとのエラー率に基づいている。 選択された損失関数を付加的な検証ステップで尊重する安定性選択変種を提案する。
  論文  参考訳（メタデータ） (2022-02-10T11:20:25Z)
• Sparse Bayesian Learning via Stepwise Regression [1.2691047660244335]
  我々は、RMP(Relevance Matching Pursuit)と呼ばれるSBLのための座標加算アルゴリズムを提案する。 ノイズ分散パラメータがゼロになるにつれて、RMPはステップワイド回帰と驚くべき関係を示す。 ステップワイド回帰アルゴリズムの新たな保証を導き、RMPにも光を当てる。
  論文  参考訳（メタデータ） (2021-06-11T00:20:27Z)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)

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。