論文の概要: Feedback-Enhanced Online Multiple Testing with Applications to Conformal Selection
- arxiv url: http://arxiv.org/abs/2509.03297v1
- Date: Wed, 03 Sep 2025 13:24:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 21:40:46.527809
- Title: Feedback-Enhanced Online Multiple Testing with Applications to Conformal Selection
- Title（参考訳）: フィードバック強化型オンライン多重テストとコンフォーマル選択への応用
- Authors: Lin Lu, Yuyang Huo, Haojie Ren, Zhaojun Wang, Changliang Zou,
- Abstract要約: フィードバックを用いてオンライン複数テストを行い、意思決定が順次行われ、決定が下された後に仮説の真の状態が明らかになる。
提案するGAIFは,評価結果を用いて動的にしきい値を調整する,フィードバック強化型一般化アルファ投資フレームワークである。
- 参考スコア（独自算出の注目度）: 18.22414171961847
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study online multiple testing with feedback, where decisions are made sequentially and the true state of the hypothesis is revealed after the decision has been made, either instantly or with a delay. We propose GAIF, a feedback-enhanced generalized alpha-investing framework that dynamically adjusts thresholds using revealed outcomes, ensuring finite-sample false discovery rate (FDR)/marginal FDR control. Extending GAIF to online conformal testing, we construct independent conformal $p$-values and introduce a feedback-driven model selection criterion to identify the best model/score, thereby improving statistical power. We demonstrate the effectiveness of our methods through numerical simulations and real-data applications.
- Abstract（参考訳）: オンラインで複数のテストを実施して,意思決定を逐次行い,意思決定が即時あるいは遅れた後に仮説の真の状態を明らかにする。
GAIFは、フィードバック強化された一般化アルファ投資フレームワークで、明らかな結果を用いて閾値を動的に調整し、有限サンプル偽発見率(FDR)を保証します。
GAIFをオンラインコンフォーマルテストに拡張し、独立なコンフォーマルな$p$値を構築し、最良のモデル/スコアを識別するためのフィードバック駆動モデル選択基準を導入し、統計的パワーを向上させる。
数値シミュレーションと実データ応用により,本手法の有効性を実証する。
関連論文リスト
- Free on the Fly: Enhancing Flexibility in Test-Time Adaptation with Online EM [13.924553294859315]
FreeTTAはトレーニング不要で普遍的に利用できるメソッドであり、仮定はしない。
本研究は,想定しない学習自由かつ普遍的な手法であるFreeTTAを提案する。
論文 参考訳（メタデータ） (2025-07-09T16:03:07Z) - Simulation-Based Inference for Adaptive Experiments [38.841210420855276]
マルチアームバンディットの実験的な設計は、標準的なランダム化試験よりもますます採用されている。
そこで本研究では,腕特定手段の仮説テストと信頼区間構築のためのシミュレーションに基づくアプローチを提案する。
以上の結果から,提案手法は,設計対象でない腕の大幅な改善を図りながら,信頼性区間幅を最大50%削減し,所望のカバレッジを達成できることが示唆された。
論文 参考訳（メタデータ） (2025-06-03T13:46:59Z) - On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。
推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。
本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
論文 参考訳（メタデータ） (2025-04-02T17:40:47Z) - Scoring Verifiers: Evaluating Synthetic Verification for Code and Reasoning [59.25951947621526]
本稿では,既存の符号化ベンチマークをスコアとランキングデータセットに変換して,合成検証の有効性を評価する手法を提案する。
我々は4つの新しいベンチマーク(HE-R, HE-R+, MBPP-R, MBPP-R+)を公表し, 標準, 推論, 報酬に基づくLCMを用いて合成検証手法を解析した。
実験の結果, 推論はテストケースの生成を著しく改善し, テストケースのスケーリングによって検証精度が向上することがわかった。
論文 参考訳（メタデータ） (2025-02-19T15:32:11Z) - Conditional Testing based on Localized Conformal p-values [5.6779147365057305]
我々は、予測区間を反転させて局所化された共形p値を定義し、それらの理論的性質を証明した。
これらの定義されたp-値は、その実用性を説明するためにいくつかの条件付きテスト問題に適用される。
論文 参考訳（メタデータ） (2024-09-25T11:30:14Z) - Model-Free Sequential Testing for Conditional Independence via Testing
by Betting [8.293345261434943]
提案されたテストでは、任意の依存関係構造を持つ入ってくるi.d.データストリームを分析できる。
重要な結果が検出されれば,オンライン上でのデータポイントの処理を可能とし,データ取得を停止する。
論文 参考訳（メタデータ） (2022-10-01T20:05:33Z) - Listen, Adapt, Better WER: Source-free Single-utterance Test-time
Adaptation for Automatic Speech Recognition [65.84978547406753]
Test-time Adaptationは、ソースドメインでトレーニングされたモデルに適応して、テストサンプルの予測を改善することを目的としている。
単一発話テスト時間適応 (SUTA) は音声領域における最初のTTA研究である。
論文 参考訳（メタデータ） (2022-03-27T06:38:39Z) - 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) - Structure-Adaptive Sequential Testing for Online False Discovery Rate
Control [1.456699007803424]
本研究は、オンライン偽発見率(FDR)制御のための構造適応シーケンシャルテスト(SAST)ルールの新しいクラスを開発する。
我々の提案の重要な要素は、逐次決定における利得と損失を正確に特徴付ける新しいアルファ投資アルゴリズムである。
論文 参考訳（メタデータ） (2020-02-28T23:16:44Z) - 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。