PyTorchKR Papers

최신 논문

총 12편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.14170v3stat.ME

네트워크 상의 탐욕적 집계를 위한 유한 표본 FDR 제어

Finite-Sample FDR Control for Greedy Aggregation over Networks

Distributed multiple testing asks $N$ sites, each holding p-values for its own hypotheses, to control the false discovery rate (FDR) of the discoveries made across the whole network while communicating only a small number of bits. Greedy interval aggregation (Pournaderi and Xiang, IEEE TSIPN, 2023) meets the communication budget but controls FDR only asymptotically, and its FDR can exceed the target at finite sample sizes; the same interval counts both select the rejection regions and calibrate the stopping rule, which biases the selected interval densities upward. We propose \emph{budgeted BONuS-GA}: each site mixes synthetic uniform p-values into its data, the center ranks candidate p-value intervals across sites using the pooled counts, and each site's false discoveries are estimated from its own synthetic counts under a per-site share of the level. The procedure needs no knowledge of the null proportions, uses every p-value for both selection and inference, and controls $FDR\le\alpha$ at every sample size for any fixed assignment of hypotheses to sites, assuming only that the null p-values are independent uniforms, independent of the non-null p-values. It keeps the original $O(\sqrt m\log m)$ communication, $m$ being the total number of p-values, when $N=O(\sqrt m)$. We also give a sample-splitting alternative, cross-fit greedy aggregation, with finite-sample control under a random-site model, and we quantify the selection bias behind the original procedure's failure. In a monitoring-network simulation the budgeted procedure retains most of the power of its heuristic counterpart at moderate-to-large site sizes.

arXiv:2609.38979v2cs.CV

위양성 발견 제어 기반 시각 데이터 분할을 통한 대규모 비전-언어 모델의 객체 환각 완화

Mitigating Object Hallucination in Large Vision-Language Models via False Discovery Controlled Visual Data Splitting

대규모 비전-언어 모델(LVLM)이 시각적 입력에 의해 뒷받침되지 않는 객체를 생성하는 다중 객체 환각(hallucination)은 디코딩 과정의 시각적 불확실성으로 인해 발생하는 지속적인 난제입니다. 기존 방식들은 대조 신호를 활용하여 환각을 줄이지만, 경험적 휴리스틱에 의존하며 이미지 수준에서 위양성(false positive)을 원칙적으로 제어하지 못한다는 한계가 있습니다. 이를 해결하기 위해, 불확실성을 인식하는 시각 데이터 분할 전략으로 시각적 불확실성을 모델링하고 미러 통계량(mirror statistics)을 활용하여 디코딩 중 시각적 대조를 정량화하는 무학습(training-free) 프레임워크인 CORAL(False Discovery Rate-COntRol of HALlucination)을 제안합니다. CORAL은 대칭적으로 섭동된 쌍을 이루는 시각적 입력으로부터 미러 통계량을 계산함으로써 거짓된 객체 예측을 추정하고, 이미지당 예상되는 위양성 발견 비율을 제어하는 데이터 기반 임계값을 설정합니다. 이를 통해 실제 시각 정보에 그라운딩(grounding)된 객체에 대한 높은 검출력을 유지하면서 환각을 억제합니다. 본 프레임워크는 유연하여 여러 LVLM을 지원하며, 재학습이나 지도 없이도 환각을 완화합니다. 여러 벤치마크와 다양한 평가 지표를 활용한 광범위한 실험을 통해 CORAL이 최첨단 방법들을 일관되게 능가하며, 보다 신뢰할 수 있고 강건한 환각 제어를 제공함을 입증합니다. 코드는 https://changliu1993-cl.github.io/CORAL/ 에서 확인할 수 있습니다.

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:2604.11305v3cs.LG

고정된 거짓 발견율을 넘어: E-변수를 활용한 사후 컨포멀 선택

Beyond Fixed False Discovery Rates: Post-Hoc Conformal Selection with E-Variables

컨포멀 선택(CS)이 데이터 관측 전 거짓 발견율(FDR) 수준을 고정해야 하는 한계를 해결하기 위해, 사후 컨포멀 선택(PH-CS)을 제안하며 이는 컨포멀 e-변수와 e-BH 절차를 기반으로 후보 선택 집합의 경로와 데이터 기반 FDP 추정값을 생성한다. PH-CS는 사용자가 지정한 유틸리티를 최대화하여 데이터 관측 후 동작 지점을 유연하게 선택할 수 있도록 하면서, 추정 FDP가 평균적으로 실제 FDR의 유효한 상한임을 유한 표본에서 이론적으로 보장한다.

arXiv:2607.05692v1stat.ME

계층적 베이지안 모델에서 혼합 가중치의 사후 분포 정확 계산

Exact computation of posterior distribution of mixture weights in hierarchical Bayesian models

계층적 혼합 모델(hierarchical mixture model)에서 혼합 가중치의 주변화(marginalization)를 정확히 수행하는 알고리즘을 제안하며, 2-성분 경우에 대해 $O(n^2)$ 동적 프로그래밍과 $O(n\log^2 n)$ FFT 변형을 통해 가중치의 사후 분포가 Beta 분포의 유한 혼합임을 증명한다. 소표본 희소 신호 환경에서 EM이 구간 추정을 제공하지 못하거나 가우시안/라플라스 근사가 오보정되는 상황에서도 샘플링 없이 보정된 신뢰 구간과 국소 위발견율(local FDR)을 MCMC 대비 두 자릿수 빠른 속도로 제공한다.

arXiv:2607.05613v1cs.LG

SafeImpute: 순응적 선택을 통한 신뢰할 수 있는 임상 데이터 대체 보정

SafeImpute: Reliable Clinical Data Imputation via Conformal Selection

불규칙하고 희소한 임상 종단 기록에서 발생하는 결측값 문제를 해결하기 위해, SafeImpute는 환자 내 시간적 궤적과 환자 간 임상적 유사성을 이벤트 그래프로 모델링하고 이중 관계 GNN으로 대체 보정(imputation)을 수행한다. 여기에 더해 컨포멀 선택(conformal selection)과 Benjamini–Hochberg 절차를 결합하여 공개된 대체값 중 임상적으로 허용 불가한 오류의 위발견율(FDR)을 통계적으로 제어하며, Mayo Clinic, MIMIC-III, MIMIC-IV 데이터셋 실험에서 다양한 기준 모델을 능가하는 성능을 보였다.

arXiv:2607.03161v1stat.ML

조건부 평균 처리 효과 예측의 신뢰 가능한 선택을 위한 잡음 제거 컨포멀 정렬

Denoised Conformal Alignment for Reliable Selection of Conditional Average Treatment Effect Predictions

블랙박스 CATE 예측기의 선택적 배포에서 관측 불가능한 예측 오차를 이중 견고(doubly robust) 대리 오차로 근사할 때 이분산성으로 인해 검정력이 붕괴되는 문제를 해결하기 위해, 조건부 분산 성분을 차감한 잡음 제거 대리 오차를 구성하고 컨포멀 보정과 Benjamini–Hochberg 선택을 결합한 Denoised Conformal Alignment(DCA)를 제안한다. DCA는 거짓 발견율(FDR) 통제를 유지하면서 어려운 이분산 환경 전반에서 기존 방법 대비 실질적으로 향상된 선택 검정력을 달성함을 이론 및 실험으로 입증한다.

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:2606.19737v1stat.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:2606.04404v2stat.ML

심층 신경망을 위한 Knockoff 기반 가양성률 제어 및 단순화

Knockoffs-based False Discovery Rate Control and Simplification for Deep Neural Networks

심층 신경망은 다양한 분야에 널리 적용된 기계 학습의 프레임워크입니다. 그러나 심층 신경망은 종종 다수의 파라미터와 입력을 포함하며, 그중 많은 수가 목표나 실제 출력과 관련이 없을 수 있습니다. 이러한 파라미터와 입력 변수는 계산 복잡도를 높일 뿐만 아니라 추가적인 계산 비용을 초래합니다. 이 문제에 대한 하나의 해결책은 고차원 회귀에서 가양성률 제어에 성공적인 것으로 입증된 Knockoff 방법입니다. 본 논문은 Knockoff 방법을 기반으로 정규화된 신경망을 사용하여, 가양성률 제어라는 조건 하에 세 가지 변수 선별 방법인 한 층 필터, 다중 층 필터, 변수 가중치 집계 필터를 제안합니다. 기존 알고리즘과 비교한 결과, 제안하는 알고리즘이 만족스러운 성능을 보임을 확인했습니다.

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.