論文の概要: Knockoff-Guided Compressive Sensing: A Statistical Machine Learning Framework for Support-Assured Signal Recovery

• arxiv url: http://arxiv.org/abs/2505.24727v1
• Date: Fri, 30 May 2025 15:50:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:53.050546
• Title: Knockoff-Guided Compressive Sensing: A Statistical Machine Learning Framework for Support-Assured Signal Recovery
• Title（参考訳）: Knockoff-Guided Compressive Sensing: 支援保証信号回復のための統計的機械学習フレームワーク
• Authors: Xiaochen Zhang, Haoyi Xiong,
• Abstract要約: 本稿では,新しいKnockoff誘導圧縮センシングフレームワークについて紹介する。 サポート識別フェーズにおいて、正確な偽発見率(FDR)制御を活用することにより、信号の回復を促進する。 シミュレーション研究では,F1スコアをベースライン法で最大3.9倍改善し,FDR制御とサポートリカバリを向上した。
• 参考スコア（独自算出の注目度）: 22.20955211690874
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: This paper introduces a novel Knockoff-guided compressive sensing framework, referred to as \TheName{}, which enhances signal recovery by leveraging precise false discovery rate (FDR) control during the support identification phase. Unlike LASSO, which jointly performs support selection and signal estimation without explicit error control, our method guarantees FDR control in finite samples, enabling more reliable identification of the true signal support. By separating and controlling the support recovery process through statistical Knockoff filters, our framework achieves more accurate signal reconstruction, especially in challenging scenarios where traditional methods fail. We establish theoretical guarantees demonstrating how FDR control directly ensures recovery performance under weaker conditions than traditional $\ell_1$-based compressive sensing methods, while maintaining accurate signal reconstruction. Extensive numerical experiments demonstrate that our proposed Knockoff-based method consistently outperforms LASSO-based and other state-of-the-art compressive sensing techniques. In simulation studies, our method improves F1-score by up to 3.9x over baseline methods, attributed to principled false discovery rate (FDR) control and enhanced support recovery. The method also consistently yields lower reconstruction and relative errors. We further validate the framework on real-world datasets, where it achieves top downstream predictive performance across both regression and classification tasks, often narrowing or even surpassing the performance gap relative to uncompressed signals. These results establish \TheName{} as a robust and practical alternative to existing approaches, offering both theoretical guarantees and strong empirical performance through statistically grounded support selection.
• Abstract（参考訳）: 本稿では,Knockoff誘導型圧縮センシングフレームワーク「TheName{}」について紹介する。 明示的なエラー制御のないサポート選択と信号推定を共同で行うLASSOとは異なり、本手法は有限サンプルにおけるFDR制御を保証し、真の信号支援をより信頼性の高い識別を可能にする。 統計的ノックオフフィルタを用いて支援回収プロセスの分離と制御を行うことで,従来の手法が失敗する困難なシナリオにおいて,より正確な信号再構成を実現する。 我々は、FDR制御が従来の$\ell_1$の圧縮センシング法よりも弱い条件下でのリカバリ性能を直接保証し、正確な信号再構成を維持しながら、理論的保証を確立する。 大規模数値実験により,提案手法はLASSO法および他の最先端圧縮センシング技術より一貫して優れていることが示された。 シミュレーション研究では,F1スコアをベースライン法で最大3.9倍改善し,FDR制御とサポートリカバリを向上した。 この方法はまた、低い復元と相対誤差を連続的に生成する。 さらに、実世界のデータセットにおいて、回帰タスクと分類タスクの両方で、トップダウンストリーム予測性能を達成し、圧縮されていない信号に対するパフォーマンスギャップを狭めたり、超えたりしています。 これらの結果は、統計的に基礎付けられたサポート選択を通じて理論的保証と強い経験的性能の両方を提供する既存のアプローチに対する堅牢で実践的な代替手段として \TheName{} を確立する。

関連論文リスト

• AlignRAG: Leveraging Critique Learning for Evidence-Sensitive Retrieval-Augmented Reasoning [61.28113271728859]
  RAGは知識ベースで大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。 標準的なRAGパイプラインは、モデル推論が取得した証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。 本研究では,RAGをRetrieval-Augmented Reasoningと解釈し,中心的だが未探索な問題であるtextitReasoning Misalignmentを同定する。
  論文  参考訳（メタデータ） (2025-04-21T04:56:47Z)
• Adaptive Gradient Clipping for Robust Federated Learning [8.268485501864939]
  本稿では,適応型クリッピング戦略である適応ロバストクリッピング(ARC)を提案し,入力勾配に基づいて動的にクリッピング閾値を調整する。 ARCは、特に高度に異質で対向的な設定において、ロバスト性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-05-23T11:00:31Z)
• 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)
• 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)
• 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)
• Distributional Robustness and Regularization in Reinforcement Learning [62.23012916708608]
  経験値関数の新しい正規化器を導入し、ワッサーシュタイン分布のロバストな値関数を下限とすることを示す。 強化学習における$textitexternalな不確実性に対処するための実用的なツールとして正規化を使用することを提案する。
  論文  参考訳（メタデータ） (2020-03-05T19:56:23Z)
• Stochastic-Sign SGD for Federated Learning with Theoretical Guarantees [49.91477656517431]
  量子化に基づく解法は、フェデレートラーニング(FL)において広く採用されている。 上記のプロパティをすべて享受する既存のメソッドはありません。 本稿では,SIGNSGDに基づく直感的かつ理論的に簡易な手法を提案し,そのギャップを埋める。
  論文  参考訳（メタデータ） (2020-02-25T15:12:15Z)

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。