論文の概要: False Discovery Rate Control via Bayesian Mirror Statistic

• arxiv url: http://arxiv.org/abs/2510.00875v1
• Date: Wed, 01 Oct 2025 13:24:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.577412
• Title: False Discovery Rate Control via Bayesian Mirror Statistic
• Title（参考訳）: ベイジアンミラー統計による偽発見率制御
• Authors: Marco Molinari, Magne Thoresen,
• Abstract要約: 本研究では,False Discovery Rate(FDR)制御に対するミラー統計手法をベイズモデルフレームワークに適用する。 本稿では、ベイズ的モデルの定式化に頼り、興味係数の後方分布を用いてミラー統計を構築することを提案する。 自動微分変分推論を頼りにすることで、高次元へのアプローチをスケーラブルに保ちます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simultaneously performing variable selection and inference in high-dimensional models is an open challenge in statistics and machine learning. The increasing availability of vast amounts of variables requires the adoption of specific statistical procedures to accurately select the most important predictors in a high-dimensional space, while being able to control some form of selection error. In this work we adapt the Mirror Statistic approach to False Discovery Rate (FDR) control into a Bayesian modelling framework. The Mirror Statistic, developed in the classic frequentist statistical framework, is a flexible method to control FDR, which only requires mild model assumptions, but requires two sets of independent regression coefficient estimates, usually obtained after splitting the original dataset. Here we propose to rely on a Bayesian formulation of the model and use the posterior distributions of the coefficients of interest to build the Mirror Statistic and effectively control the FDR without the need to split the data. Moreover, the method is very flexible since it can be used with continuous and discrete outcomes and more complex predictors, such as with mixed models. We keep the approach scalable to high-dimensions by relying on Automatic Differentiation Variational Inference and fully continuous prior choices.
• Abstract（参考訳）: 高次元モデルにおける変数の選択と推論を同時に行うことは、統計学と機械学習においてオープンな課題である。 大量の変数が利用可能になるには、高次元空間において最も重要な予測器を正確に選択する特定の統計手順を採用する必要があるが、ある種の選択誤差を制御できる。 本研究では,False Discovery Rate(FDR)制御に対するミラー統計手法をベイズモデルフレームワークに適用する。 ミラー統計 (Mirror Statistic) は、古典的頻繁な統計フレームワークで開発されたフレキシブルなFDR制御法であり、軽度のモデル仮定しか必要としないが、元のデータセットを分割した後に得られる2つの独立回帰係数推定を必要とする。 本稿では,このモデルのベイズ的定式化に頼り,関心係数の後方分布を用いてミラー統計を構築し,データを分割することなくFDRを効果的に制御することを提案する。 さらに、連続的かつ離散的な結果や混合モデルのようなより複雑な予測器で使用できるため、この手法は非常に柔軟である。 自動微分変分推論と完全連続的な事前選択を頼りにすることで、高次元へのアプローチをスケーラブルに保ちます。

関連論文リスト

• Model Correlation Detection via Random Selection Probing [62.093777777813756]
  既存の類似性に基づく手法では、モデルパラメータにアクセスしたり、しきい値なしでスコアを生成する必要がある。 本稿では,モデル相関検出を統計的テストとして定式化する仮説テストフレームワークであるランダム選択探索(RSP)を紹介する。 RSPは相関の証拠を定量化する厳密なp-値を生成する。
  論文  参考訳（メタデータ） (2025-09-29T01:40:26Z)
• Diffusion-Driven High-Dimensional Variable Selection [6.993247097440294]
  本稿では,高忠実度合成データを生成する拡散モデルの能力を生かした再サンプル集約フレームワークを提案する。 提案手法は軽微な仮定の下で一貫した選択であることを示す。 本手法は,変数選択手法を改良し,統計的に厳密な解析を行うためのツールキットを拡充する。
  論文  参考訳（メタデータ） (2025-08-19T14:54:20Z)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Interval Estimation of Coefficients in Penalized Regression Models of Insurance Data [3.321732539043852]
  ツイーディー指数分散ファミリーは、保険の損失をモデル化するために多くの人々の間で人気がある。 内在変数を記述する最も重要な特徴の信頼性(推論)を得るためには、しばしば重要である。
  論文  参考訳（メタデータ） (2024-10-01T18:57:18Z)
• Diffusion models for probabilistic programming [56.47577824219207]
  拡散モデル変分推論(DMVI)は確率型プログラミング言語(PPL)における自動近似推論手法である DMVIは実装が容易で、例えば正規化フローを用いた変分推論の欠点を伴わずに、PPLでヘイズルフリー推論が可能であり、基礎となるニューラルネットワークモデルに制約を課さない。
  論文  参考訳（メタデータ） (2023-11-01T12:17:05Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
  変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。 これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。 おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
  論文  参考訳（メタデータ） (2020-02-17T19:23:36Z)

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。