論文の概要: Deep-testing: the case of dependence detection

• arxiv url: http://arxiv.org/abs/2604.26558v1
• Date: Wed, 29 Apr 2026 11:45:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.375534
• Title: Deep-testing: the case of dependence detection
• Title（参考訳）: Deep-testing:Dependency Detection の場合
• Authors: Gery Geenens, Pierre Lafaye de Micheaux, Ivan Muyun Zou,
• Abstract要約: 本稿では,ディープラーニングによる仮説テストの古典的推論問題にアプローチする,Deep-testingと呼ばれる新しい手法を提案する。 テスト統計(Test statistic)は、ヌル仮説と代替仮説を満たすシミュレーションデータから、ディープニューラルネットワークによって学習された分類マップである。 概念実証として、統計学において最も重要な問題の1つである独立テストの問題を深く検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning methods have proved highly effective for classification and image recognition problems. In this paper, we ask whether this success can be transferred to hypothesis testing: if a neural network can distinguish, for example, an image of a handwritten digit from another, can it also distinguish an "image of a sample" (such as a scatter plot) generated under a given statistical model from one generated outside that model? Motivated by this idea, we propose a novel procedure called deep-testing, which approaches the classical inferential problem of hypothesis testing through deep learning. More specifically, the test statistic is a classification map learned by a deep neural network from simulated data satisfying the null and alternative hypotheses, leveraging its strong discriminating power to construct a highly powerful test. As a proof of concept, we apply deep-testing to the problem of independence testing, arguably one of the most important problems in statistics. In a large-scale simulation study, deep-testing achieves the highest overall power against nineteen competing methods across a broad range of complex dependence structures, confirming the viability of the proposed approach.
• Abstract（参考訳）: ディープラーニング手法は分類や画像認識に非常に有効であることが証明されている。 ニューラルネットワークが例えば手書き桁の画像を他と区別できるなら、与えられた統計モデルの下で生成された「サンプルの像」(例えば、散乱プロット)と、そのモデル外で生成されたものとを区別できるだろうか? このアイデアに動機づけられた我々は、ディープラーニングを通じて仮説テストの古典的推論問題にアプローチする、Deep-testingと呼ばれる新しい手順を提案する。 より具体的には、テスト統計は、ヌルおよび代替仮説を満たすシミュレーションデータから深層ニューラルネットワークによって学習された分類マップであり、その強力な識別力を活用して、非常に強力なテストを構築する。 概念実証として、統計学において最も重要な問題の1つである独立テストの問題を深く検証する。 大規模シミュレーション研究において, 提案手法の有効性を確認するため, 広範囲の複雑な依存構造にまたがる19の競合手法に対して, 総合的な最大性能を実現する。

関連論文リスト

• Hypothesis Testing in Imaging Inverse Problems [0.18434042562191813]
  本稿では,逆問題の画像化に適した意味仮説テストのためのフレームワークを提案する。 画像ベースの仮説テストが難しい主な理由は3つある。
  論文  参考訳（メタデータ） (2025-05-28T15:29:43Z)
• Learning Representations for Independence Testing [13.842061060076004]
  本稿では, 相互情報の変動推定器を用いて, 有限サンプル妥当性を持つ強力なテストを構築する方法を示す。 第2に,Hilbert-Schmidt Independence Criterion(HSIC)に基づくこれらの変分的相互情報ベーステストとテストの密接な関係を確立する。 最後に、統計量自体を最大化する表現を選択するのではなく、テストのパワーを最大化する表現を選択する方法を示す。
  論文  参考訳（メタデータ） (2024-09-10T22:18:07Z)
• Provably Neural Active Learning Succeeds via Prioritizing Perplexing Samples [53.95282502030541]
  ニューラルネットワークベースのアクティブラーニング(NAL)は、ニューラルネットワークを使用してサンプルの小さなサブセットを選択してトレーニングする、費用対効果の高いデータ選択技術である。 我々は、機能学習の観点から、両方のクエリ基準ベースのNALの成功について、統一的な説明を提供することにより、一歩前進させようとする。
  論文  参考訳（メタデータ） (2024-06-06T10:38:01Z)
• Precise Error Rates for Computationally Efficient Testing [67.30044609837749]
  本稿では,計算複雑性に着目した単純な対数-単純仮説テストの問題を再考する。 線形スペクトル統計に基づく既存の試験は、I型とII型の誤差率の間の最良のトレードオフ曲線を達成する。
  論文  参考訳（メタデータ） (2023-11-01T04:41:16Z)
• Lost in the Shuffle: Testing Power in the Presence of Errorful Network Vertex Labels [2.8406702588667807]
  2サンプルネットワーク仮説テストは、医学、神経科学、社会学といった様々な分野に適用するための重要な推論タスクである。 これらのテスト手法の多くは、ネットワーク間の通信が既知であるという暗黙の仮定の下で機能する。 このシャッフルによる電力損失は、ランダムドット積とブロックモデルネットワークの文脈で理論的に検討されている。
  論文  参考訳（メタデータ） (2022-08-18T05:27:18Z)
• Learning to Increase the Power of Conditional Randomization Tests [8.883733362171032]
  モデル-X条件ランダム化テストは、条件独立性テストのための一般的なフレームワークである。 本稿では,モデルXテストのパワー向上を目的とした新しいモデル適合方式を提案する。
  論文  参考訳（メタデータ） (2022-07-03T12:29:25Z)
• A Multiple kernel testing procedure for non-proportional hazards in factorial designs [4.358626952482687]
  本稿では,複数の因子が同時に興味を持つ場合の生存率を推定するマルチカーネルテスト手法を提案する。 我々の手法は複雑なデータを扱うことができ、比例性のような仮定を正当化できない場合、全正規の Cox モデルに代わるものとして見ることができる。
  論文  参考訳（メタデータ） (2022-06-15T01:53:49Z)
• The Familiarity Hypothesis: Explaining the Behavior of Deep Open Set Methods [86.39044549664189]
  特徴ベクトルデータに対する異常検出アルゴリズムは異常を外れ値として識別するが、外れ値検出はディープラーニングではうまく機能しない。 本論文は, 新規性の有無ではなく, 慣れ親しんだ特徴の欠如を検知しているため, これらの手法が成功するというFamiliarity仮説を提案する。 本論文は,親しみやすさの検出が表現学習の必然的な結果であるかどうかを論じる。
  論文  参考訳（メタデータ） (2022-03-04T18:32:58Z)
• Residual Error: a New Performance Measure for Adversarial Robustness [85.0371352689919]
  ディープラーニングの広く普及を制限する大きな課題は、敵の攻撃に対する脆弱さである。 本研究は,ディープニューラルネットワークの対角強靭性を評価するための新しい性能尺度である残留誤差の概念を提示する。 画像分類を用いた実験結果から,提案手法の有効性と有効性を示した。
  論文  参考訳（メタデータ） (2021-06-18T16:34:23Z)
• Plausible Counterfactuals: Auditing Deep Learning Classifiers with Realistic Adversarial Examples [84.8370546614042]
  ディープラーニングモデルのブラックボックスの性質は、彼らがデータから何を学ぶかについて、未回答の疑問を提起している。 GAN(Generative Adversarial Network)とマルチオブジェクトは、監査されたモデルに妥当な攻撃を与えるために使用される。 その実用性は人間の顔の分類タスクの中で示され、提案されたフレームワークの潜在的可能性を明らかにしている。
  論文  参考訳（メタデータ） (2020-03-25T11:08:56Z)

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。