PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.12208v1math.ST

벤자미니-호흐베르크 절차는 상관된 양측 가우스 검정에서 FDR을 제어하지 못할 수 있다

The Benjamini--Hochberg Procedure Can Fail to Control the FDR for Correlated Two-Sided Gaussian Tests

우리는 벤자미니-호흐베르크 절차가 상관된 양측 가우스 $p$-값에 대해 명목 수준에서 거짓 발견율(FDR)을 제어하지 못할 수 있음을 보인다. 수준 $α=0.01$에서, 가설 개수가 충분히 클 때 모두에 대해 엄밀한 구간 산술(interval-arithmetic) 인증이 $FDR>0.0104$임을 증명하는 요인 모델을 구성한다. 이는 20년간 널리 참으로 믿어져 온 추측을 기각한다. 몬테카를로 실험은 이론적 결과와 일치한다. 이 증명은 GPT-5.6 Pro에 의해 얻어졌으며 저자가 면밀히 검증하였다.

arXiv:2312.00305v3stat.ME

잡음이 있는 행렬 완성에서 선형 형식의 다중 검정

Multiple Testing of Linear Forms for Noisy Matrix Completion

대규모 추천 시스템의 아이템 추천 문제를 잡음이 있는 행렬 완성(noisy matrix completion) 모델에서의 선형 형식 다중 검정으로 정식화하고, 저랭크(low-rank) 구조로 인한 바이어스-분산 트레이드오프와 복잡한 의존성 문제를 극복하기 위해 데이터 분할 및 대칭 집계(SDA) 기반의 새로운 통계량을 제안한다. 이 방법론은 거의 최적의 표본 크기 조건 하에서 검정력을 보장하면서 거짓 발견율(FDR)을 점근적으로 제어함을 이론적으로 증명하고, MovieLens 및 Rossmann 판매 데이터셋 실험으로 실용적 효과를 입증한다.

arXiv:2606.22336v1stat.ML

타깃 멤버십 점수를 통한 Null-보정 컨포멀 선택

Null-Calibrated Conformal Selection via Target-Membership Scores

컨포멀 선택(conformal selection)에서 거짓 발견률(FDR)을 통제하며 타깃 영역 후보를 고를 때, 예측 지향 잔차 점수보다 타깃 멤버십(target-membership) 확률이 선택에 맞는 점수라는 원칙을 제시하고 확인된 비타깃 보정 예시와 비교하는 Null-보정 컨포멀 선택(NCCS)으로 유한 표본에서도 유효한 null p-값을 얻는 보정 경로를 제안한다. 실험에서는 평균-단조 타깃에서는 기존 점수와 순위가 같고 분산 구동(interval) 타깃에서는 멤버십 점수가 검정력을 크게 높이며, NCCS는 희귀 타깃 체계에서 직접 경험적 FDP 임계값화보다 보수적이지만 유한 표본 null 유효성을 보장한다.

arXiv:2606.22230v1econ.EM

분포적 그레인저 인과성: 식별, 순차 추론, 및 적응적 검정

Distributional Granger Causality: Identification, Sequential Inference, and Adaptive Testing

가우시안(Gaussian) 설정 이외에서는 시계열 예측 의존성이 조건부 평균뿐 아니라 조건부 척도, 꼬리 행동, 비대칭성 등 분포적 특성으로도 나타날 수 있어 단일 그레인저(Granger) 검정으로는 완전한 특성화가 어렵다. 유한한 채널별 제약으로 분포적 그레인저 인과성을 식별하는 프레임워크를 제시하고, alpha-investing을 통해 패밀리와이즈(familywise) 오류를 통제하는 적응적 순차 검정 절차를 개발하여 정책 불변 유효성과 오라클 벤치마크와 동등한 검정력의 점근적 효율성을 이론적으로 보장한다.

arXiv:2606.19737v1stat.ME

다중 검정에서 레이블 없는 보정

Calibration without labels in multiple testing

대규모 가설 검정은 국소 거짓 발견률(local false discovery rate)을 추정하는 경험적 베이즈 방법에서와 같이, 개별 가설에 대한 확률적 주장을 지원합니다. 본 연구에서는 이러한 주장들이 귀무 가설(null hypothesis)에 대한 대략적으로 보정된 예측으로 해석될 수 있는 방법을 연구하며, 이를 통해 모델 오지정(model misspecification) 하에서도 해석 가능한 오차 확률을 얻을 수 있음을 보입니다. 우리의 접근 방식은 확률적 예측에서 개념적 영감을 얻었지만 다른 과제를 해결합니다. 예측에서는 라벨이 결국 관측되는 것과 달리, 다중 검정에서는 정답(ground truth)이 결코 드러나지 않으므로 보정은 확률적으로 평가되고 간접적으로 확립되어야 합니다. 우리는 순서화된 $p$-값의 간격(spacings)에서 유도되고 국소 거짓 발견률을 회귀 목표로 갖는 의사 라벨(pseudo-labels) 세트를 구성하여 이 과제를 해결합니다. 이러한 구성 방식은 다중 검정에서 사후 보정(post-hoc calibration)을 평가하고 수행하는 기존 도구를 활용 가능하게 합니다. 특히, 출판된 심리학 및 신경과학 문헌에 대한 대규모 경험적 조사를 통해, 거짓 발견률(false discovery rate)에 기반한 널리 사용되는 오차 척도인 $q$-값이 심각하게 오보정(miscalibrated)될 수 있음을 발견했습니다.

arXiv:2605.20726v2stat.ME

컨포멀 추론에서 거짓 발견 비율에 대한 전역적으로 유효한 상한

Everywhere Valid Bounds on False Discovery Proportions in Conformal Inference

이상치 탐지 및 후보 선택과 같은 다중 검정 문제에 대한 컨포멀 추론의 현대적 응용은 종종 컨포멀 p-값이 임계값 미만인 테스트 샘플을 선택하는 것을 포함합니다. 이러한 방법들의 품질은 종종 잘못된 선택의 비율로 정의되는 거짓 발견 비율(FDP)로 측정됩니다. 기존 접근 방식은 일반적으로 Benjamini-Hochberg 절차와 같은 방법을 사용하여 FDP의 기댓값을 제어합니다. 이 접근 방식은 실현된 거짓 발견 비율에 대한 고확률 상한을 제공하지 못하며, 데이터를 검토한 후 기각 임계값이 선택되면 통계적 보장이 무효화됩니다. 본 논문은 가능한 모든 기각 임계값에 대해 동시에 성립하는 FDP에 대한 유한 표본, 분포 무관 상한을 확립하여 임계값의 임의적인 사후 선택을 가능하게 합니다. 동시적 유효성은 귀무 컨포멀 p-값의 결합 분포에서 샘플링하여 해당 경험적 분포 함수에 대한 고확률 포락선을 구축함으로써 달성됩니다. 더 나아가, 우리의 프레임워크는 실무자가 포락선의 형태를 조절할 수 있게 하여, 주요 관심 기각 영역에서 타이트한 상한을 생성합니다. 우리는 이 유연한 접근 방식을 사용하여 이상치 탐지 및 컨포멀 선택 모두에 대한 동시적 FDP 상한을 도출합니다. 합성 및 실제 데이터 실험을 통해 결과로 나온 상한이 유효할 뿐만 아니라 기존 접근 방식에서 도출된 상한보다 훨씬 덜 보수적임을 입증합니다.