論文の概要: Controlling the False Discovery Rate via Model-Agnostic Importance Measures

• arxiv url: http://arxiv.org/abs/2610.21360v1
• Date: Thu, 15 Oct 2026 06:39:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.233681
• Title: Controlling the False Discovery Rate via Model-Agnostic Importance Measures
• Title（参考訳）: モデルに依存しない重要度尺度による偽発見率の制御
• Abstract要約: 本研究は, エージェントXの重要度を考慮したモデル非依存選択法(Model-Agnostic Selection)という, Model-X ノックオフを補完する手法を提案する。 MASは、FDR制御、計算効率、電力に関する既存の作業と競合する性能を提供する。
• 参考スコア（独自算出の注目度）: 13.94068779246446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Selecting covariates while controlling the false discovery rate (FDR) is critical for interpretable scientific discovery, especially with complex machine learning models. Traditional variable selection methods often rely on specific model assumptions, while Model-X knockoffs provide a general way that leverages knowledge of the covariate distribution to produce a variable selection algorithm. This study puts forward a complementary method to Model-X knockoffs, named Model-Agnostic Selection with agent-X importance (MAS), which utilizes the sample-splitting strategy and a novel variable importance measure to bypass distributional assumptions on covariates. The proposed model-agnostic agent-X importance is defined to evaluate the difference of oracle predictiveness on both the original distribution and the distribution with agent variable in population level, and can be efficiently estimated by constructing the agent variable as some constant and cross-fitting strategy. The MAS method integrates a resplit-per-covariate strategy to decouple estimator dependencies and a data aggregation technique to enhance power. Theoretical guarantees for asymptotic FDR control are established under mild conditions. Extensive simulations and real-data analyses demonstrate that MAS provides competitive performances with existing works in FDR control, computational efficiency and power.
• Abstract（参考訳）: 偽発見率(FDR)を制御しながら共変量を選択することは、解釈可能な科学的発見、特に複雑な機械学習モデルにおいて重要である。 従来の変数選択法は、しばしば特定のモデル仮定に依存するが、Model-Xのノックオフは、共変分布の知識を利用して変数選択アルゴリズムを生成する一般的な方法を提供する。 本研究は,共変量に対する分布仮定をバイパスするために,サンプル分割戦略と新しい変数重要度尺度を利用するモデル-非依存選択(MAS)というモデル-Xノックオフを補完する手法を提案する。 提案するモデル非依存型エージェント-Xの重要度は,元の分布と集団レベルでのエージェント変数による分布の差を評価するために定義され,一定かつクロスフィットな戦略としてエージェント変数を構築して効率的に推定することができる。 MAS法は、推定器依存を分離するためのresplit-per-covariate戦略と、パワーを高めるためのデータ集約技術を統合する。 漸近性FDR制御の理論的保証は軽度条件下で確立されている。 大規模シミュレーションと実データ解析により、MASはFDR制御、計算効率、電力に関する既存の研究と競合する性能を提供することを示した。

関連論文リスト

• Graphical conditional generative modeling for digital twin modeling [7.0264064660746754]
  観測データから擬似代理モデルを構築するためのフレームワークを提案する。 我々は,どの入力候補が対象量の完全条件法則に影響を及ぼすかを,条件平均に限らず同定する。 制御設定では、このメソッドは遷移モデルだけでなく、状態アクションや学習した力学を効果的にマルコビアンにするために必要なメモリ変数も識別する。
  論文  参考訳（メタデータ） (2026-06-15T04:56:38Z)
• 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)
• Discrete Diffusion Models: Novel Analysis and New Sampler Guarantees [70.88473359544084]
  離散拡散モデルに対する新たな解析的アプローチを導入し,正規性仮定の必要性を排除した。 標準的な$tau$-leaping法では、語彙サイズとともに線形にスケールするKL発散の収束保証を確立する。 我々のアプローチはより広く適用可能であり、他の広く使われているサンプルに対して最初の収束保証を提供する。
  論文  参考訳（メタデータ） (2025-09-20T17:42:29Z)
• 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)
• Federated Bayesian Deep Learning: The Application of Statistical Aggregation Methods to Bayesian Models [0.9940108090221528]
  集約戦略は、分散決定論的モデルの重みとバイアスをプールまたはフューズするために開発されている。 決定論的モデルに対するFLスキームに付随するアグリゲーション手法の簡単な適用は不可能か、あるいは準最適性能をもたらすかを示す。
  論文  参考訳（メタデータ） (2024-03-22T15:02:24Z)
• Boosted Control Functions: Distribution generalization and invariance in confounded models [10.503777692702952]
  非線形で非同定可能な構造関数が存在する場合でも分布の一般化を可能にする不変性という強い概念を導入する。 フレキシブルな機械学習手法を用いて,ブースト制御関数(BCF)を推定する制御Twicingアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-09T15:43:46Z)
• Value-Distributional Model-Based Reinforcement Learning [59.758009422067]
  政策の長期的業績に関する不確実性の定量化は、シーケンシャルな意思決定タスクを解決するために重要である。 モデルに基づくベイズ強化学習の観点から問題を考察する。 本稿では,値分布関数を学習するモデルに基づくアルゴリズムであるEpicemic Quantile-Regression(EQR)を提案する。
  論文  参考訳（メタデータ） (2023-08-12T14:59:19Z)
• 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)
• 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。