論文の概要: Model-Agnostic FDR Control via Group Gaussian Mirror and Permutation SHAP

• arxiv url: http://arxiv.org/abs/2608.00989v1
• Date: Sun, 02 Aug 2026 04:39:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.045537
• Title: Model-Agnostic FDR Control via Group Gaussian Mirror and Permutation SHAP
• Title（参考訳）: 群ガウス鏡と置換SHAPによるモデル非依存FDR制御
• Abstract要約: このような設定のためのグループ機能FDR制御フレームワークを提案する。 群付き線形モデルに対して、行列値摂動を用いたヌル対称ブロックレベルミラー統計学を構築する。 逐次ニューラルモデルでは、Permutation SHAP誘導体をモデルに依存しないブロックレベルの重要度スコアとカーネルベースの依存度スコアに組み合わせる。
• 参考スコア（独自算出の注目度）: 0.15293427903448018
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Most FDR-controlled feature selection methods are designed for coordinate-wise hypotheses, where each feature has a single weight or importance score. This abstraction fails in sequential and grouped models, where one original feature is represented by a block of sub-features, such as lags, recurrent states, or attention-based interactions. We propose a grouped-feature FDR control framework for such settings. For grouped linear models, we construct null-symmetric block-level mirror statistics with matrix-valued perturbations. For neural sequential models, we combine Permutation SHAP derivatives as model-agnostic block-level importance scores with kernel-based dependence measure. The framework is model-agnostic across network architectures, does not require specifying the covariate distribution, and reduces to Gaussian Mirror or Neural Gaussian Mirror when the block size is one. We prove FDR control for low- and high-dimensional grouped linear models and asymptotic symmetry of smoothed Permutation SHAP derivatives under fixed fitted nonlinear models. Experiments on simulated and real-world datasets show reliable FDR control and improved power under correlated grouped-feature signals.
• Abstract（参考訳）: ほとんどのFDR制御された特徴選択法は、各特徴が単一の重みまたは重要性スコアを持つ座標的仮説のために設計されている。 この抽象化はシーケンシャルでグループ化されたモデルでは失敗し、最初の1つの特徴はラグ、リカレント状態、アテンションベースの相互作用などのサブ機能ブロックによって表現される。 このような設定のためのグループ機能FDR制御フレームワークを提案する。 群付き線形モデルに対して、行列値摂動を用いたヌル対称ブロックレベルミラー統計学を構築する。 ニューラルシーケンシャルモデルでは、Permutation SHAP誘導体をモデルに依存しないブロックレベルの重要度スコアとカーネルベースの依存度スコアに組み合わせる。 このフレームワークは、ネットワークアーキテクチャ全体にわたってモデルに依存しないため、共変量分布を指定する必要はなく、ブロックサイズが1である場合には、ガウス鏡やニューラルガウス鏡に還元される。 固定された非線形モデルの下での低次元および高次元群線形モデルに対するFDR制御と滑らかな置換SHAP微分の漸近対称性を証明した。 シミュレーションおよび実世界のデータセットの実験では、信頼度の高いFDR制御と、相関したグループ化機能信号によるパワー向上が示されている。

関連論文リスト

• Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
  受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。 これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
  論文  参考訳（メタデータ） (2026-02-04T15:25:02Z)
• False Discovery Rate Control via Bayesian Mirror Statistic [0.0]
  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。
  論文  参考訳（メタデータ） (2025-10-01T13:24:50Z)
• 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)
• Randomized based restricted kernel machine for hyperspectral image classification [0.0]
  ランダムベクトル汎関数リンク(RVFL)ネットワークは、ハイパースペクトル画像(HSI)分類において大きな人気を得ている。 RVFLモデルは、特に非線形関係や複雑なデータ構造を扱う際に、いくつかの制限に直面している。 本稿では,RVFLと制限されたカーネルマシンを併用した,ランダム化された制限されたカーネルマシン(R2KM$)モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-06T17:18:39Z)
• CatNet: Controlling the False Discovery Rate in LSTM with SHAP Feature Importance and Gaussian Mirrors [0.3277163122167434]
  CatNetはFalse Discovery Rate(FDR)を効果的に制御し、LSTMの重要な機能を選択する。 CatNetは特徴量の定量化にSHAP値の微分を用いており、ガウスミラーアルゴリズムを用いてFDR制御のためのベクトル形成ミラー統計学を構築している。
  論文  参考訳（メタデータ） (2024-11-25T18:53:37Z)
• Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
  本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。 私たちのフレームワークは、3つの新しい目標のファミリーにつながります。 Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
  論文  参考訳（メタデータ） (2024-10-10T17:18:30Z)
• A probabilistic, data-driven closure model for RANS simulations with aleatoric, model uncertainty [1.8416014644193066]
  本稿では,レノルズ平均Navier-Stokes (RANS) シミュレーションのためのデータ駆動閉包モデルを提案する。 パラメトリック閉包が不十分な問題領域内の領域を特定するために,完全ベイズ的定式化と余剰誘導先行法を組み合わせて提案する。
  論文  参考訳（メタデータ） (2023-07-05T16:53:31Z)
• Simplex Random Features [53.97976744884616]
  ソフトマックスおよびガウスカーネルの非バイアス近似のための新しいランダム特徴(RF)機構であるSimplex Random Features (SimRFs)を提案する。 我々は,これらのカーネルの非バイアス推定値に対して,SimRFが最小平均二乗誤差(MSE)を提供することを示す。 ポイントワイドカーネル推定,非パラメトリック分類,スケーラブルトランスフォーマーなどの設定において,SimRFによる一貫したゲインを示す。
  論文  参考訳（メタデータ） (2023-01-31T18:53:39Z)
• Git Re-Basin: Merging Models modulo Permutation Symmetries [3.5450828190071655]
  提案手法は,大規模ネットワークに適合する簡単なアルゴリズムを実例で示す。 我々は、独立に訓練されたモデル間のゼロモード接続の最初のデモ(私たちの知る限り)を実演する。 また、線形モード接続仮説の欠点についても論じる。
  論文  参考訳（メタデータ） (2022-09-11T10:44:27Z)
• 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)
• Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
  PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。 本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。 このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
  論文  参考訳（メタデータ） (2020-09-29T12:50:33Z)

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。