論文の概要: A Unified Combination Framework for Dependent Tests with Applications to Microbiome Association Studies
- arxiv url: http://arxiv.org/abs/2404.09353v1
- Date: Sun, 14 Apr 2024 20:33:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-16 14:18:53.667789
- Title: A Unified Combination Framework for Dependent Tests with Applications to Microbiome Association Studies
- Title（参考訳）: 依存関係試験と微生物関連研究への応用のための統合統合フレームワーク
- Authors: Xiufan Yu, Linjun Zhang, Arun Srinivasan, Min-ge Xie, Lingzhou Xue,
- Abstract要約: 一般的な条件下で依存テストを組み合わせるための新しいメタ分析フレームワークを提案する。
同じデータセットから計算した各種微生物関連試験の合成に利用した。
- 参考スコア（独自算出の注目度）: 12.579558827555273
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a novel meta-analysis framework to combine dependent tests under a general setting, and utilize it to synthesize various microbiome association tests that are calculated from the same dataset. Our development builds upon the classical meta-analysis methods of aggregating $p$-values and also a more recent general method of combining confidence distributions, but makes generalizations to handle dependent tests. The proposed framework ensures rigorous statistical guarantees, and we provide a comprehensive study and compare it with various existing dependent combination methods. Notably, we demonstrate that the widely used Cauchy combination method for dependent tests, referred to as the vanilla Cauchy combination in this article, can be viewed as a special case within our framework. Moreover, the proposed framework provides a way to address the problem when the distributional assumptions underlying the vanilla Cauchy combination are violated. Our numerical results demonstrate that ignoring the dependence among the to-be-combined components may lead to a severe size distortion phenomenon. Compared to the existing $p$-value combination methods, including the vanilla Cauchy combination method, the proposed combination framework can handle the dependence accurately and utilizes the information efficiently to construct tests with accurate size and enhanced power. The development is applied to Microbiome Association Studies, where we aggregate information from multiple existing tests using the same dataset. The combined tests harness the strengths of each individual test across a wide range of alternative spaces, %resulting in a significant enhancement of testing power across a wide range of alternative spaces, enabling more efficient and meaningful discoveries of vital microbiome associations.
- Abstract（参考訳）: 一般設定下で依存型テストを組み合わせるための新しいメタ分析フレームワークを導入し,同じデータセットから計算された様々なマイクロバイオーム関連試験の合成に利用した。
我々の開発は、$p$-valuesを集約する古典的メタ分析法と、信頼性分布を結合するより最近の一般的な方法に基づいているが、依存するテストを扱うために一般化されている。
提案手法は厳密な統計的保証を保証し、包括的研究を行い、既存の様々な組み合わせ法と比較する。
特に,本論文ではバニラ・コーシー・コンビネーション(vanilla Cauchy combination)と呼ばれる,依存テストに広く用いられているコーシー・コンビネーション法が,我々のフレームワークにおいて特別なケースとみなせることを示す。
さらに、提案フレームワークは、バニラコーシー結合の下の分布仮定が違反した場合に、この問題に対処する方法を提供する。
以上の結果から,To-be-combined 成分間の依存性を無視すると,大きな歪み現象が生じる可能性が示唆された。
バニラコーシー結合法を含む既存の$p$-valueの組み合わせ手法と比較して,提案した組み合わせフレームワークは依存性を正確に処理し,精度の高いサイズと高機能なテストを構築するために効率的に情報を利用することができる。
開発はMicrobiome Association Studiesに適用され、同じデータセットを使用して複数の既存のテストから情報を収集します。
組み合わせテストは、幅広い代替空間にわたる個々のテストの強度を利用し、%は幅広い代替空間におけるテスト能力の大幅な向上に寄与し、より効率的で有意義なバイオーム関連の発見を可能にした。
関連論文リスト
- Hierarchical Sparse Bayesian Multitask Model with Scalable Inference for Microbiome Analysis [1.361248247831476]
本稿では,一般的なマルチタスク二元分類学習問題に適用可能な階層型ベイズ的マルチタスク学習モデルを提案する。
後方分布を近似するために,変分推定に基づく計算効率の良い推論アルゴリズムを導出する。
各種合成データセットに対する新しいアプローチの可能性を示し, マイクロバイオームプロファイルに基づくヒトの健康状態の予測を行う。
論文 参考訳（メタデータ） (2025-02-04T18:23:22Z) - A Unified Comparative Study with Generalized Conformity Scores for Multi-Output Conformal Regression [1.747623282473278]
本稿では,異なるマルチアウトプットベースモデルを用いた9種類のコンフォメーション法の比較検討を行う。
また、多出力回帰のための適合度スコアの2つの新しいクラスも導入する。
1つのクラスは任意の生成モデルと互換性があり、もう1つのクラスは計算的に効率的であり、可逆生成モデルの性質を利用する。
論文 参考訳（メタデータ） (2025-01-17T20:13:24Z) - A Survey on Mixup Augmentations and Beyond [59.578288906956736]
選択したサンプルと対応するラベルを凸的に組み合わせた混合および関連データ混合手法が広く採用されている。
本調査では, 基礎混合法とその応用について概観する。
論文 参考訳（メタデータ） (2024-09-08T19:32:22Z) - Combine and Conquer: A Meta-Analysis on Data Shift and Out-of-Distribution Detection [30.377446496559635]
本稿では,アウト・オブ・ディストリビューション(OOD)検出スコアをシームレスに組み合わせるための普遍的アプローチを提案する。
我々のフレームワークは、検出スコアにおける将来の発展にとって容易であり、この文脈で意思決定境界を結合する最初の手段である。
論文 参考訳（メタデータ） (2024-06-23T08:16:44Z) - Bayesian Joint Additive Factor Models for Multiview Learning [7.254731344123118]
マルチオミクスデータが収集され、臨床結果と相関する精度医学の文脈でモチベーション応用が生じる。
本稿では,共有およびビュー固有のコンポーネントを考慮に入れた,構造化された付加的設計を伴うJAFAR(Joint Additive Factor regression model)を提案する。
免疫,メタボローム,プロテオームデータから得られた時間とラベルの発症の予測は,最先端の競合相手に対するパフォーマンス向上を示す。
論文 参考訳（メタデータ） (2024-06-02T15:35:45Z) - CAVACHON: a hierarchical variational autoencoder to integrate multi-modal single-cell data [10.429856767305687]
マルチモーダルデータ間の条件付き独立関係を明示的に組み込んだ新しい確率論的学習フレームワークを提案する。
単セルマルチオミクスデータ統合に関連する様々なアプリケーションにおけるフレームワークの汎用性を実証する。
論文 参考訳（メタデータ） (2024-05-28T23:44:09Z) - Rethinking Clustered Federated Learning in NOMA Enhanced Wireless
Networks [60.09912912343705]
本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。
データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。
非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
論文 参考訳（メタデータ） (2024-03-05T17:49:09Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - Differential privacy and robust statistics in high dimensions [49.50869296871643]
高次元Propose-Test-Release (HPTR) は指数的メカニズム、頑健な統計、Propose-Test-Release メカニズムという3つの重要なコンポーネントの上に構築されている。
本論文では,HPTRが複数のシナリオで最適サンプル複雑性をほぼ達成していることを示す。
論文 参考訳（メタデータ） (2021-11-12T06:36:40Z) - Bloom Origami Assays: Practical Group Testing [90.2899558237778]
グループテストは、いくつかの魅力的なソリューションでよく研究されている問題である。
近年の生物学的研究は、従来の方法と相容れない新型コロナウイルスの実践的な制約を課している。
我々は,Bloomフィルタと信条伝搬を組み合わせた新しい手法を開発し,n(100以上)の大きい値に拡張し,良好な経験的結果を得る。
論文 参考訳（メタデータ） (2020-07-21T19:31:41Z) - Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。
テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。
以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文 参考訳（メタデータ） (2020-06-22T21:12:31Z)
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。