Fugu-MT 論文翻訳(概要): The Benjamini--Hochberg Procedure Can Fail to Control the FDR for Correlated Two-Sided Gaussian Tests

論文の概要: The Benjamini--Hochberg Procedure Can Fail to Control the FDR for Correlated Two-Sided Gaussian Tests

arxiv url: http://arxiv.org/abs/2607.12208v1
Date: Mon, 13 Jul 2026 23:18:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-15 17:08:29.980077
Title: The Benjamini--Hochberg Procedure Can Fail to Control the FDR for Correlated Two-Sided Gaussian Tests
Title（参考訳）: Benjamini-Hochberg法は関連する2次元ガウス試験のFDR制御に失敗する
Abstract要約: 両面のガウス値が相関する場合、ベンジャミン・ホックバーグ法は偽発見率(FDR)をその名目レベルで制御できないことを示す。これは20年間真実であると広く信じられている予想を否定するものである。モンテカルロの実験は理論的な結果と一致している。
参考スコア（独自算出の注目度）: 19.35055637720468
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We show that the Benjamini--Hochberg procedure can fail to control the false discovery rate (FDR) at its nominal level for correlated two-sided Gaussian $p$-values. We construct a factor model for which, at level $α=0.01$, a rigorous interval-arithmetic certificate proves $FDR>0.0104$ for all sufficiently large numbers of hypotheses. This disproves a conjecture widely believed to be true for twenty years. Monte Carlo experiments are consistent with the theoretical result. The proof was obtained by GPT-5.6 Pro and carefully checked by the author.
Abstract（参考訳）: そこで,Benjamini-Hochberg法は2面のガウス値の相関値に対して,FDR(False discovery rate)をその名目レベルで制御できないことを示す。我々は,十分な数の仮説に対して,厳密な間隔パラメータ証明が$FDR>0.0104$を証明できる因子モデルを構築した。これは20年間真実であると広く信じられている予想を否定するものである。モンテカルロの実験は理論的な結果と一致している。証明は GPT-5.6 Pro によって得られ、著者によって慎重に検査された。

関連論文リスト

Partially Correlated Verifier Cascades in LLM Harnesses: Concave Log-Odds, Polynomial Reliability, and Blind-Spot Ceilings [0.5076419064097734]
シリアル検証ゲートはLLMハーネスのコア信頼性プリミティブである。候補の答えが返されるのは、$k$検証者が全てそれを受け入れた場合に限られる。このノートはそのような理論を最小限にしている。
論文参考訳（メタデータ） (2026-07-15T14:58:37Z)
AI-Assisted Discovery of Convex Relaxations via Dual Agents [56.60366723277675]
すべての許容関数に対して下界が成り立ち、より強い境界を与える凸緩和から従うことを示す。理論は各エージェントを検証し、反例を検索し、報告されたすべての境界はインターバルにおける明示的な二重実現可能な点によって認証される。
論文参考訳（メタデータ） (2026-06-30T06:10:25Z)
Scale-Sensitive Shattering: Learnability and Evaluability at Optimal Scale [54.65053906803857]
実数値関数クラスが一様収束と学習可能性を示す最適尺度について検討する。本研究の主な成果は,PAC学習の基本定理のスケール敏感な一般化である。また、定量的サンプルの複雑さと評価可能性に関するオープンな質問をいくつか取り上げる。
論文参考訳（メタデータ） (2026-05-13T15:41:30Z)
Bias by Necessity: Impossibility Theorems for Sequential Processing with Convergent AI and Human Validation [13.891522069967507]
非対称な注意蓄積から優先バイアスが生じることを証明している。証明可能な情報境界を持つシーケンシャルコンディショニングからアンカーが出現する。置換による正確なデバイアスは分解時間計算を必要とする。
論文参考訳（メタデータ） (2026-05-09T05:56:12Z)
Neural Discovery of Strichartz Extremizers [0.0]
Strijectural bound inequality(英語版)は、分散PDEの現代理論の基礎である。比較誤差が10～3ドル以内の$d=1,2$のエクストリームライザを検索する。上述の A_q,r$ は接近するが、呼吸器群に沿って到達しない、という正確な予想を提案する。
論文参考訳（メタデータ） (2026-05-06T13:46:40Z)
A Refinement of Vapnik--Chervonenkis' Theorem [0.0]
Vapnik--Chervonenkisの定理は機械学習のセミナルな結果である。古典的議論の確率的要素を再考する。
論文参考訳（メタデータ） (2026-01-23T02:57:29Z)
Assumption-lean falsification tests of rate double-robustness of double-machine-learning estimators [15.637665538626408]
DR関数の最先端推定器$psi_1$はダブルマシンラーニング(DML)推定器である。 DML 推定器 $widehatp (x)$ は、二つのニュアンス関数 $p(x)$ と $b(x)$ の見積もり $widehatb (x)$ に依存する。多くの場合、アナリストは複雑性を減少させる仮定を$b$と$p$に課すことで、彼女の主張を正当化する。
論文参考訳（メタデータ） (2023-06-18T15:55:51Z)
A Nearly Tight Bound for Fitting an Ellipsoid to Gaussian Random Points [50.90125395570797]
このことは対数的因子の中でのciteSaundersonCPW12 の予想をほぼ成立させる。後者の予想は、機械学習とある種の統計上の問題に対する2乗下界との結びつきから、過去10年間で大きな注目を集めている。
論文参考訳（メタデータ） (2022-12-21T17:48:01Z)
Existence of the first magic angle for the chiral model of bilayer graphene [77.34726150561087]
Tarnopolsky-Kruchkov-Vishwanath (TKV) は、逆ツイスト角$alpha$に対して、モワール$K$点の効果的なフェルミ速度が消滅することを証明した。フェルミ速度が少なくとも$alpha$に対して$alpha approx.586$の間において消滅するという証明を与える。
論文参考訳（メタデータ） (2021-04-13T20:37:00Z)
The Sample Complexity of Robust Covariance Testing [56.98280399449707]
i. i. d. 形式 $Z = (1-epsilon) X + epsilon B$ の分布からのサンプル。ここで $X$ はゼロ平均で未知の共分散である Gaussian $mathcalN(0, Sigma)$ である。汚染がない場合、事前の研究は、$O(d)$サンプルを使用するこの仮説テストタスクの単純なテスターを与えた。サンプル複雑性の上限が $omega(d2)$ for $epsilon$ an arbitrarily small constant and $gamma であることを証明します。
論文参考訳（メタデータ） (2020-12-31T18:24:41Z)
Curse of Dimensionality on Randomized Smoothing for Certifiable Robustness [151.67113334248464]
我々は、他の攻撃モデルに対してスムースな手法を拡張することは困難であることを示す。我々はCIFARに関する実験結果を示し,その理論を検証した。
論文参考訳（メタデータ） (2020-02-08T22:02:14Z)

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。