論文の概要: On Large-Scale Multiple Testing Over Networks: A Non-Asymptotic Approach
- arxiv url: http://arxiv.org/abs/2609.14170v1
- Date: Sat, 12 Sep 2026 22:05:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.728127
- Title: On Large-Scale Multiple Testing Over Networks: A Non-Asymptotic Approach
- Title（参考訳）: ネットワーク上の大規模多重テストについて:非漸近的アプローチ
- Abstract要約: N$のサイトは、厳しい予算の下でグローバルな偽発見率(FDR)を制御するよう求められている。
我々は,BONuS-GAがノード単位の中間から大きいサンプルで,CFGAが小さなサンプルでは適応帯域幅で支配的であることを示す。
すべての変種は、e-CFGAの$O(GreebarRlog m)$レポートラウンドまで、$O(sqrtmlog m)$通信予算を維持している。
- 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: Distributed multiple testing asks $N$ sites to control a global false discovery rate (FDR) under a tight communication budget. The greedy interval-aggregation algorithm of Pournaderi and Xiang (2024) solves this asymptotically but can violate $\mathrm{FDR}\leα$ at finite samples. We trace the violation to a winner's-curse bias in the selected density statistics, of exact order $Θ(m^{-1/4}\sqrt{\log m})$ at the standard bandwidth $\varepsilon\asymp m^{-1/2}$, with $m$ the total number of p-values in the network. Cross-Fit Greedy Aggregation (CFGA) eliminates the curse by selecting the nested rejection family on one half of each node's data and scoring it on the other, achieving finite-sample $\mathrm{FDR}\leα$ when per-node null rates are known; an inflated variant covers the plug-in setting at a vanishing $η=1/m$ slack. BONuS-GA instead masks a bag of synthetic uniform nulls calibrated by counting knockoffs, so every p-value serves both selection and inference; a per-node budgeted variant removes all oracle input, controlling $\mathrm{FDR}\leα$ for any data-independent bag. Aggregating the CFGA folds by e-values over random splits (e-CFGA) removes the Bonferroni factor and averages the split randomness. All variants keep the $O(\sqrt{m}\log m)$ communication budget, up to e-CFGA's $O(\bar{R}\log m)$ reporting round; empirically, BONuS-GA dominates at moderate-to-large per-node samples and CFGA with adaptive bandwidth at small ones.
- Abstract（参考訳）: 分散多重テストは、厳しい通信予算の下でグローバルな偽発見率(FDR)を制御するために$N$サイトを要求する。
Pournaderi と Xiang (2024) のgreedy interval-aggregationアルゴリズムは、これを漸近的に解くが、有限標本において$\mathrm{FDR}\leα$を破ることができる。
我々は、選択された密度統計における入賞者の帰属バイアス(m^{-1/4}\sqrt{\log m})$標準帯域幅$\varepsilon\asymp m^{-1/2}$)の違反を、ネットワーク内のp値の総数$m$で追跡する。
CFGA(Cross-Fit Greedy Aggregation)は、各ノードのデータの半分のネストされた拒絶ファミリを選択し、もう一方のノードにスコアを付け、ノードあたりのnullレートが分かっているときに有限サンプルの$\mathrm{FDR}\leα$を達成することで、呪いを取り除く。
代わりに、BONuS-GAは、ノックオフをカウントして調整された合成ユニタリヌルの袋を隠蔽するため、全てのp値が選択と推論の両方に役立ち、ノードごとの予算付き変種は、任意のデータ非依存のバッグに対して$\mathrm{FDR}\leα$を制御して全てのオラクル入力を除去する。
ランダムスプリット(e-CFGA)上のe値でCFGAの折り畳みを集約すると、ボンフェロニ因子が取り除かれ、スプリットランダムネスが平均化される。
すべての変種は、e-CFGAの$O(\bar{R}\log m)$レポートラウンドまで、$O(\sqrt{m}\log m)$通信予算を維持している。
関連論文リスト
- Robust Average-Reward Markov Decision Processes: Minimax-Optimal Learning via Plug-in Reductions [51.50375419691955]
分布的に堅牢なマルコフ決定プロセスは、モデルの不確実性の下でのシーケンシャルな意思決定のための原則化されたフレームワークを提供する。
我々は,平均回帰基準の下で,$varepsilon$-Optimal robust policyを学習するのに必要なサンプル数と十分なサンプル数について検討した。
論文 参考訳（メタデータ） (2026-08-06T19:49:48Z) - Random Parameter Noise Does Not Make Exact ReLU Verification Easy [14.270378035741404]
逆スムースドモデルにおけるReLUネットワークの正確な検証について検討する。
標準的な仮定である$mathrmNPnotsubseteqmathrmBPP$ では,ネットワークサイズ,ビット複雑性,各ベースインスタンスの逆ノイズレベルにランニングタイムを埋め込むような,健全かつ完全検証器が存在しないことを示す。
論文 参考訳（メタデータ） (2026-07-15T21:26:20Z) - SILAGE: Memory-Efficient, Full-Gradient-Free Nonconvex Optimization for Nested Finite Sums [51.49970814177172]
データセットに対する経験的リスクは、自然に$N=nm$全サンプルに類似性を示す。
我々は悲観的な収束分析を避ける分析を提供する。
我々の成果は、既存の最先端の体制を改善した。
論文 参考訳（メタデータ） (2026-06-14T14:11:07Z) - Matching Rates and Optimal Allocation for Federated Probe-Logit Distillation under Heterogeneous Bandwidth Budgets [12.805268849262243]
言語モデリングでは、$K$ノードはそれぞれ$n$サンプルを保持するが、データのプールや完全な精度勾配や重みの交換はできない。
本研究では,各ノードが1クエリあたり最大$B$ビットを公開プローブセットにアップロードできる場合に,$V$トークンの条件分布を推定できるミニマックスレートについて検討する。
論文 参考訳（メタデータ） (2026-05-28T09:08:39Z) - Graph-SND: Sparse Aggregation for Behavioral Diversity in Multi-Agent Reinforcement Learning [0.0]
グラフSNDを導入し、任意のグラフのエッジ上の重み付き平均をG$で置き換える。
固定されたスパースグラフに対して、拡大器のフォワード・インデックス歪み境界と低ランク距離構造の下でのスペクトル改善を証明した。
ランダム $d$-正則グラフに対して、非条件確率 $widetildemathcalO(D_max/sqrtn)$bound を証明する。
VMASでは、リカバリ、不偏性、濃度、壁時計のスケーリングを検証する。
論文 参考訳（メタデータ） (2026-05-06T15:18:42Z) - Robust Learning of a Group DRO Neuron [21.632698901872843]
任意のラベルノイズと群レベルの分布シフトの存在下で,標準2乗損失下で原始ニューロンを学習する問題について検討した。
我々のフレームワークは、任意のラベルの破損やグループ固有の分布シフトに直面して、堅牢な学習保証を提供する。
論文 参考訳（メタデータ） (2026-01-26T04:00:53Z) - Proving the Limited Scalability of Centralized Distributed Optimization via a New Lower Bound Construction [57.93371273485736]
我々は、すべての労働者が同一の分布にアクセスする均質な(すなわちd.d.)場合であっても、すべての労働者が非バイアス付き境界 LDeltaepsilon2,$$$$$ のポリ対数的により良いポリ対数を求める集中型分散学習環境を考える。
論文 参考訳（メタデータ） (2025-06-30T13:27:39Z) - Federated Linear Bandits with Finite Adversarial Actions [20.1041278044797]
我々は、M$のクライアントが中央サーバと通信し、線形文脈の帯域幅問題を解決するための連合線形帯域幅モデルについて検討する。
逆有限作用集合のユニークな問題に対処するため、FedSupLinUCBアルゴリズムを提案する。
我々は、FedSupLinUCBが$tildeO(sqrtd T)$の完全後悔を達成したことを証明している。
論文 参考訳（メタデータ） (2023-11-02T03:41:58Z) - Contextual Combinatorial Bandits with Probabilistically Triggered Arms [55.9237004478033]
確率的に誘発される腕(C$2$MAB-T)を様々な滑らかさ条件下で検討した。
トリガー変調 (TPM) 条件の下では、C$2$-UC-Tアルゴリズムを考案し、後悔すべき$tildeO(dsqrtT)$を導出する。
論文 参考訳（メタデータ） (2023-03-30T02:51:00Z) - Stochastic Approximation Approaches to Group Distributionally Robust Optimization and Beyond [89.72693227960274]
本稿では,グループ分散ロバスト最適化 (GDRO) を,$m$以上の異なる分布をうまく処理するモデルを学習する目的で検討する。
各ラウンドのサンプル数を$m$から1に抑えるため、GDROを2人でプレイするゲームとして、一方のプレイヤーが実行し、他方のプレイヤーが非公開のマルチアームバンディットのオンラインアルゴリズムを実行する。
第2のシナリオでは、最大リスクではなく、平均的最上位k$リスクを最適化し、分散の影響を軽減することを提案する。
論文 参考訳（メタデータ） (2023-02-18T09:24:15Z) - Near Sample-Optimal Reduction-based Policy Learning for Average Reward
MDP [58.13930707612128]
この研究は、平均報酬マルコフ決定過程(AMDP)における$varepsilon$-Optimal Policyを得る際のサンプルの複雑さを考察する。
我々は、状態-作用対当たりの$widetilde O(H varepsilon-3 ln frac1delta)$サンプルを証明し、$H := sp(h*)$は任意の最適ポリシーのバイアスのスパンであり、$varepsilon$は精度、$delta$は失敗確率である。
論文 参考訳（メタデータ） (2022-12-01T15:57:58Z) - A Law of Robustness beyond Isoperimetry [84.33752026418045]
我々は、任意の分布上でニューラルネットワークパラメータを補間する頑健性の低い$Omega(sqrtn/p)$を証明した。
次に、$n=mathrmpoly(d)$のとき、スムーズなデータに対する過度なパラメータ化の利点を示す。
我々は、$n=exp(omega(d))$ のとき、$O(1)$-Lipschitz の頑健な補間関数の存在を否定する。
論文 参考訳（メタデータ） (2022-02-23T16:10:23Z)
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。