PyTorchKR Papers

최신 논문

총 20편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27766v1math.ST

하위 꼬리 가설로부터 도출된 검정 슈퍼마팅게일의 2종 오류 한계

Type-II Error Bounds for Test Supermartingales from Lower-Tail Hypotheses

검정 슈퍼마팅게일(test supermartingale)을 이용한 안전한 가설 검정에서 빌의 부등식(Ville's inequality)은 자산 과정(wealth process)이 처음으로 $\frac{1}{\alpha}$을 초과할 때마다 귀무가설을 기각하는 경우, 모든 유의수준 $\alpha\in(0,1]$에 대해 언제나 유효한(anytime-valid) 1종 오류 보장을 제공합니다. 고유한 비대칭성으로 인해 2종 오류에는 이러한 보장이 존재하지 않습니다. 로그 증분의 하위 꼬리(lower tail)에 확률이 과도하게 집중되면 축적된 모든 증거를 무효화하는 단 한 번의 치명적인 베팅으로 이어질 수 있기 때문입니다. 본 논문은 이러한 하위 꼬리 확률에 대한 서로 다른 가설들이 순차적 검정의 2종 오류에 대한 서로 다른 한계로 어떻게 이어지는지 연구합니다. 이 한계들은 모두 하나의 마스터 부등식으로 귀결되며, 이는 축적된 e-거듭제곱의 하한이 $\log\frac{1}{\alpha}$을 초과하는 크기라는 단 하나의 값에서 평가된 e-변수들의 (역)적률생성함수의 단측 르장드르 변환(Legendre transform) 측면에서 고정된 시계 및 순차적으로 유의수준 $\alpha$에서의 2종 오류를 제한합니다. 또한 이 단계는 제약된 정보 투영(constrained information projection)을 정확히 추출한다는 의미에서 무손실(lossless)입니다. 본 논문에서 제시되는 모든 한계는 위 함수의 특정 우세 함수(majorant)를 통해 얻어지는 따름정리입니다. 고려된 가설들은 유한한 음의 적률, 승리 측의 적률을 동반한 지수적으로 작은 폭락 확률, 조건부 분산을 가진 자산 하한 및 분산에 의해 결정되는 가우시안 영역과 척도에 의해 결정되는 지수 영역 사이를 보간하는 번스타인(Bernstein) 변형, 서브-가우시안 또는 유계 기울기 하위 꼬리, 유계 로그 증분, 그리고 우세 함수가 참값이 되는 i.i.d. 증분입니다. 우리는 또한 경험적 번스타인 변형을 제공합니다. 각 가설은 보유한 e-변수에 대한 조건으로 해석되거나, 가장 약한 조건을 무상으로 만족하는 우도비 자체 대신 가능도(likelihood) 비의 근사치를 사용해 베팅할 때 발생하는 비용으로 해석될 수 있습니다.

arXiv:2609.27765v1math.ST

테스트 수퍼마틴게일의 제2종 오류: e-파워 대 Chernoff-Stein 지수

The Type-II Error of Test Supermartingales: e-Power versus the Chernoff-Stein Exponent

테스트 수퍼마틴게일을 사용하는 안전한 가설 검정에서, wealth process가 처음 $1/\alpha$를 넘을 때 귀무가설을 기각하면 Ville 부등식은 모든 유의수준 $\alpha\in(0,1]$에 대해 anytime-valid 제1종 오류 보장을 제공한다. 내재된 비대칭성 때문에 제2종 오류는 다르게 거동한다. 단순 귀무 및 대립 가설에 대해 후자와 관련하여 두 가지를 증명한다. 첫째, Kelly betting과 성장률 최적 e-variable이 극대화하는 평균 성장률 $\mathbb{E}_{P_1}[\log E]$, 즉 e-파워는 그 자체로는 아무것도 제한하지 않는다. 모든 수준 $c>0$, 모든 $\alpha$ 및 horizon $t$에 대해 조건부 e-파워가 정확히 $c$인 e-variable을 구성할 수 있으며, 시점 $t$까지 기각하지 않을 확률을 임의로 1에 가깝게 만들 수 있다. 이는 결국 기각을 강제하지만 유한 horizon 보장은 따르지 않는다. 둘째, 제2종 오류를 실제로 제어하는 양은 e-variable의 Chernoff-Stein 지수 $\Lambda(E)=\sup_{s\ge0}\{-\log \mathbb{E}_{P_1}[E^{-s}]\}$이며, 그 범위는 정확히 결정된다: $\sup_E \Lambda(E)=\mathrm{KL}(P_0\|P_1)$, 고전적인 Chernoff-Stein 지수이며 e-variable별 형태 자체의 상한이다. 각 단계마다 Hölder 부등식을 한 번 조건부로 적용하면, 독립성이나 곱 구조 없이 임의의 필터링된 확률공간 위의 모든 테스트 수퍼마틴게일에 대해 이를 얻을 수 있다. i.i.d. 경우에는 더하여 그 상한이 정확히 맞으며, 어떤 것도 이를 달성하지 못한다. e-파워는 자체 상한 $\mathrm{KL}(P_1\|P_0)$을 갖으며, 이 상한은 가능도비 $R$에 의해 $P_0$-a.s. 유일하게 달성된다. 두 최적값은 인수 순서가 반대인 동일한 divergence이며, 평탄화된 family $R^{\beta}/\mathbb{E}_{P_0}[R^{\beta}]$의 양 끝에서 나타난다: $\beta\downarrow0$일 때 상한, $\beta=1$에서 $R$. 어떤 $\beta$가 최적인지는 horizon에 의해 정확히 결정된다. $R$은 $t=\log(1/\alpha)/\mathrm{KL}(P_1\|P_0)$에서만 최적이며, 그보다 작은 $t$에서는 sharpening $(\beta>1)$에, 그보다 큰 $t$에서는 flattening에 의해 능가된다.

arXiv:2607.03951v2cs.SE

Why3-py: 파이썬에서의 가설 검정 및 메타분석 정밀 검증을 위한 도구

Why3-py: A Tool for Formal Verification of Hypothesis Testing and Meta-Analysis in Python

과학 연구에서 재현성 위기(reproducibility crisis)가 널리 인식됨에 따라, 여러 연구의 통계 분석 결과를 통합하는 메타분석(meta-analysis)의 중요성이 더욱 커지고 있습니다. 그러나 통계적 방법론은 모호하고 암묵적인 기본 가정을 포함하는 경우가 많아, 잘못된 적용과 해석으로 이어질 수 있습니다. 이러한 문제를 해결하기 위해, 본 논문에서는 통계용 파이썬(Python) 프로그램을 위한 정밀 검증(formal verification) 프레임워크를 제안합니다. 구체적으로는 Why3 검증 플랫폼을 위한 파이썬 프론트엔드인 Why3-py를 제시하며, 이는 파이썬 코드를 검증 지향적인 WhyML 표현으로 변환하여 파이썬의 동적 타이핑 및 런타임 다형성에서 비롯되는 기술적 난제들을 해결합니다. 나아가 메타분석 방법론의 검증을 지원하도록 StatWhy 도구를 확장합니다. 메타분석 연구자들은 이러한 도구를 통해 간과된 가정과 분석의 오용을 식별하고, 파이썬 코드 내에서 가설 검정 및 메타분석 방법론이 올바르게 사용되었는지 검증할 수 있습니다.

arXiv:2412.12807v4math.ST

베이즈 최적 이상을 요구하라: 선택적 가설 검정을 위한 미결정 이론

Ask for More Than Bayes Optimal: A Theory of Indecisions for Selective Hypothesis Testing

선택적 분류는 고위험 시나리오에서 자동 의사결정을 위한 강력한 도구로, 분류기가 확신할 때만 행동하고 불확실성이 높을 때는 기권할 수 있게 한다. 목표 정확도가 주어졌을 때, 우리의 목표는 자동화하지 않는 관측치인 미결정의 수를 최소화하는 것이다. 어려운 문제에서는 결정을 내리지 않고 기권하지 않으면 목표 정확도에 도달할 수 없을 수 있다. 미결정을 사용하면 전체 미결정 질량을 최소화하면서 베이즈 오류율보다 낮은 오분류율을 목표로 할 수 있다. 우리는 선택적 분류에서 최적 위험의 특성을 제공하고, 최적 미결정 선택을 가능하게 하는 연속성과 단조성 성질을 확립한다. 우리는 네이먼-피어슨 검정 프레임워크를 통해 선택적 추론을 재검토하며, 여기서 미결정은 고정된 제1종 오류 확률 하에서 제2종 오류를 제어할 수 있게 한다. 분류와 검정 모두에 대해 보정 방법을 제안하고, 플러그인 분류기의 초과 위험과 정확도 기반 보정에 의해 생성되는 초과 미결정 질량을 분석한다. 이진 가우시안 혼합 모델에서, 우리는 지수 수준의 상전이를 확인하고, 최소한의 미결정이 클래스 분리가 낮은 경우에도 거의 최적의 정확도를 달성할 수 있음을 보인다. 가우시안 혼합과 실제 데이터셋에 대한 실험은 미결정이 선택적 정확도를 어떻게 향상시킬 수 있는지를 보여준다.

arXiv:2607.21542v1cs.LG

제로-플로우 이표본 검정

Zero-Flow Two-Sample Tests

두 표본 집합이 동일한 분포에서 추출되었는지 판단하기 위한 이표본 검정에 대한 새로운 접근법을 제안한다. 이 검정은 제로-플로우(zero-flow) 기준에 기반한 통계적 불일치에 구축되며, 이를 제로-플로우 불일치(zero-flow discrepancy, ZFD)라고 부른다. ZFD의 타당성을 증명하고, 제로-플로우 이표본 검정(zero-flow two-sample test, ZF2ST)이라고 명명한 실용적인 검정 절차를 제안한다. 핵심 아이디어는 두 분포에서 온 표본이 국소적으로 어떻게 정렬되지 않는지를 학습하고, 그로부터 얻은 방향성 패턴을 분포 차이의 증거로 사용하는 것이다. 증인(witness) 학습과 가설 평가를 분리함으로써 ZF2ST는 유효한 통계적 보정(calibration)을 유지하면서 유연한 신경망을 사용할 수 있다. 증인 학습을 위해 회귀 기반 접근법과 검정력(power) 최대화 접근법을 모두 개발한다. 합성 및 이미지 데이터셋에서의 실험은 ZF2ST가 잘 보정된 제1종 오류(type-I error)를 유지하면서 구조화된 분포 변화에 대해 강한 검정력을 달성할 수 있음을 보여준다.

arXiv:2607.14814v1stat.ME

다변량 변화점 탐지에서 성분 귀인을 위한 사후 추론

Post Hoc Inference for Component Attribution in Multivariate Change-Point Detection

다변량 시계열에서 변화점의 탐지 후 분석을 고려하며, 탐지된 변화에 기인하는 좌표가 무엇인지 식별하는 것을 목표로 한다. 오프라인 탐지 알고리즘으로 변화점이 위치한 후, 변화가 두 개의 사전 정의된 좌표 블록 중 하나 또는 둘 모두에서 발생하는지 판단하기 위한 사후 통계 절차를 제안한다. 우리 방법은 비모수 검정에 특히 중점을 둔 이표본 검정 절차에 의존하며, 제1종 오류 통제에 대한 이론적 보장을 제공한다. 시뮬레이션과 실제 데이터 실험이 제안 절차의 우수한 성능을 보여준다.

arXiv:2607.08951v1stat.ME

개입 개인화 효과를 위한 통계적 검정

A Statistical Test for the Benefits of Personalizing Interventions

의학에서 마케팅, 사회과학에 이르기까지 개인에게 맞춤화된 개입을 제공한다는 가능성은 부인할 수 없다. 그러나 실제 적용에서는 개인화의 잠재적 이점과 그로 인한 비용 증가 및 취약성을 균형 있게 고려해야 한다. 우리는 역사적 데이터를 기반으로, 개인화된 개입 정책의 성능이 단일 최적 개입을 일괄 적용하는 방식을 능가할 것이라는 증거를 평가하는 통계적 가설 검정을 제안한다. 이 검정은 엄격한 1종 오류 제어를 유지하면서, 명시된 조건하에 최소 가능 분산으로 점근적 정규성을 달성한다. 직업 학습, 우울증 치료, 교육 및 추천 시스템 등 다양한 데이터셋에 대한 실험 결과는 이 검정의 범용성과 대안 방법들에 비한 우수한 성능을 입증한다. 이 검정은 개인화의 잠재적 이점을 간단하고 강력하게 정량화함으로써 개입 과학 전반에 걸쳐 의사결정자를 지원할 수 있다.

arXiv:2602.13872v2stat.ME

고정 표본 검정 결정 예측을 통한 언제든 유효한 추론 실현

Predicting fixed-sample test decisions enables anytime-valid inference

통계적 가설 검정은 일반적으로 사전에 지정된 표본 크기를 사용하지만, 데이터는 종종 순차적으로 수집된다. 중간 분석은 고전적 오류 보증을 무효화하고, 기존의 순차적 방법들은 엄격한 검정 일정을 요구하거나 통계적 검정력에서 상당한 손실을 초래한다. 우리는 임의의 고정 표본 가설 검정을 언제든 유효한(anytime-valid) 검정으로 변환하면서, 제1종 오류(Type-I error) 통제를 보장하고 귀무 가설이 거짓일 때 상당한 표본 절감과 함께 준최적(near-optimal) 검정력을 달성하는 간단한 절차를 제안한다. 각 단계에서 이 절차는, 귀무 가설 하에서 미래 관측값을 결측 데이터로 처리하여 고전적 검정이 고정된 표본 크기에서 귀무 가설을 기각할 확률을 예측한다. 이 확률에 임계값을 적용하면 언제든 유효한 조기 종료 규칙(stopping rule)이 도출된다. 임상시험과 같은 분야에서 조기에 안전하게 종료함으로써 피험자가 최선의 치료를 받을 수 있도록 하고 효과적인 치료제 개발을 가속화할 수 있다.

arXiv:2607.03590v1math.ST

Neyman-Pearson 선형 분류에서의 제어 강화

Tightening Control in Neyman--Pearson Linear Classification

Neyman-Pearson 분류에서 경험적 효용 최대화(EUM) 분류기가 유한 표본에서 목표 제어 수준에 미달하는 현상이 표준 통계 학습의 과낙관 편향(over-optimism bias)에서 비롯됨을 점근 이론으로 규명하고, 이를 보정하기 위한 기댓값 제어(CiE) 및 확률적 제어(CiP) 기반의 정제된 학습 절차를 제안한다. 암 탐지 응용을 포함한 시뮬레이션 연구에서 제안 방법이 유한 표본에서 우수한 성능을 보임을 확인하였다.

arXiv:2607.03871v1cs.LG

최소 MMD 추정에 대한 그래디언트 플로우 관점

A Gradient Flow Perspective on Minimum MMD Estimation

최소 MMD(Maximum Mean Discrepancy) 추정의 최적화 문제에서 비볼록성으로 인해 기존 경사하강법이 정류점 수렴에 그치는 한계를 해소하기 위해, MMD 그래디언트 플로우에서 영감을 받은 사전조건 경사하강법(PGD) 방식을 제안하고 그래디언트 지배 조건 하에서 점근적 전역 수렴을 이론적으로 증명하였다. 다양한 매개변수 추정 및 복합 가설 검정 벤치마크 실험에서 제안된 PGD가 표준 경사하강법보다 우수한 수렴 성능을 보임을 실증적으로 확인하였다.

arXiv:2606.29732v1stat.ME

Testing hypotheses via orthogonalization

데이터에 대칭 이동족(symmetric shift-family) 노이즈를 더하고 빼는 방식으로 데이터를 두 부분으로 분할한 뒤, 귀무가설 하에서 두 번째 분할을 첫 번째 분할에 대해 직교화(orthogonalization)할 수 있는지를 검정하는 새로운 가설검정 프레임워크를 제안한다. 이 접근법은 비모수 설정에서도 유효하며, 선택 메커니즘의 사전 명세 없이 데이터 기반으로 선택된 귀무가설에 대한 사후선택 추론(post-selection inference)까지 자연스럽게 확장되어 클러스터링 이후 추론 등 기존 방법이 적용되지 않던 문제를 해결한다.

arXiv:2606.27349v2cs.IT

로그만 있으면 된다

All you need is log

두 분포 비교를 위한 Rényi 발산을 W개의 분포로 일반화하는 문제에 답하여, 데이터 처리 단조성과 독립 곱 가법성을 만족하는 모든 다분포 범함수가 다방향 동시 발산(multi-way coincidence divergence) $\mathsf{C}_\alpha(\pi_1,\dots,\pi_W) := -\log\int\pi_1^{\alpha_1}\cdots\pi_W^{\alpha_W}$의 양의 적분으로 유일하게 표현됨을 증명한다. 이 정준적 다분포 Rényi 미적분은 공리적 구조, Kolmogorov-Nagumo 평균, 다중 가설 검정 오류 지수, 다중 복권 베팅 해석 등 여러 독립적 경로에서 동일하게 도출되며, 다집단 공정성 분석과 다사전 PAC-Bayes 경계 등 실용적 문제에 직접 적용된다.

arXiv:2601.17146v2stat.ME

예측 알고리즘의 판별 타당성 반증

Falsifying Discriminant Validity of Predictive Algorithms

예측 알고리즘이 의도한 결과 대신 성별·인종 같은 허용 불가 변수를 예측하고 있는지를 배포 전에 통계적으로 검증하는 판별 타당성(discriminant validity) 반증(falsification) 프레임워크를 제안한다. 캘리브레이션된 예측 손실을 비모수 가설 검정으로 비교하는 이 방법을 입학 심사 알고리즘에 적용한 결과, 성별에 대한 판별 타당성은 확립되었으나 인종에 대해서는 실패함을 보였다.

arXiv:2606.30338v1cs.AI

제한된 출력 접근 환경에서의 순차적 공정성 감사

Sequential Fairness Auditing with Limited Output Access

외부 평가(evaluation)는 AI 시스템 거버넌스에서 점점 더 중심적인 역할을 차지하고 있다. 그러나 실제로는 독립적인 감사자가 배포된 모델에 대한 접근이 제한되는 경우가 많아 쿼리 기반 상호작용에 의존해야 한다. 기존의 공정성 평가 방법은 대부분 정적 데이터셋과 고정 표본 통계 검정을 가정하므로, 쿼리 제약 하에 증거를 순차적으로 수집해야 하는 실제 감사 시나리오에는 적합하지 않다. 본 연구에서는 공정성 감사를 제한된 모델 출력 접근 환경에서의 허용 오차 인식 순차적 가설 검정 문제로 정식화한다. 우리는 감사자가 유한한 감사 풀에서 증거를 축적하고 준수 또는 위반에 대한 충분한 지지를 얻으면 검정을 중단할 수 있는 순차적 일반화 가능도비(likelihood-ratio) 프레임워크를 개발한다. 이 프레임워크는 결정 기반 Statistical Parity 및 Equal Opportunity 감사에 적용되며, 더 풍부한 관측값이 가용할 경우 점수 및 로짓 기반 프록시 감사로 확장된다. 실험 결과, 공정성 지표와 모델 접근 수준 모두 감사 효율성에 유의미한 영향을 미치며, 풍부한 출력 정보의 이점은 감사 설정에 따라 균일하지 않음을 보인다. 특히, 풍부한 출력 정보는 일부 공정성 지표 및 운영 조건에서 필요한 쿼리 수를 크게 줄일 수 있지만, 임계값 근방의 경우에는 제한적인 이점만을 제공한다. 본 연구는 현실적인 배포 제약 하에서 순차적 공정성 감사를 위한 실용적인 통계 프레임워크를 제공한다.

arXiv:2504.11299v2stat.CO

효율적이고 안정적인 다차원 콜모고로프-스미르노프 거리

Efficient and Stable Multi-Dimensional Kolmogorov-Smirnov Distance

다차원 설정에서 콜모고로프-스미르노프(Kolmogorov-Smirnov) 거리를 직교 지배 직사각형 범위에 대한 최댓값으로 정의하고, 이를 적분 확률 메트릭(integral probability metric)임을 증명하는 새로운 공식화를 제안한다. 4차원 이하에서 근사 오차 수준의 거리를 표본 크기에 거의 선형(near-linear)인 시간 복잡도로 효율적으로 계산할 수 있음을 보이고, 이를 기반으로 유한 표본에서도 정확한 오류율을 보장하는 두 표본 가설 검정을 도출한다.

arXiv:2606.26621v1stat.ME

$λ$-PSD: 확장 가능한 근사 SNR 최적화 다항 Stein 불일치

$λ$-PSD: Scalable Approximate SNR-Optimised Polynomial Stein Discrepancies

다항 Stein 불일치(PSD)에서 다항식 차수를 높여도 분산이 충분히 제어되지 않아 SNR²가 지수적으로 붕괴할 수 있음을 보이고, Stein 불일치 구성을 SNR² 최대화 문제로 재정식화해 저차원 부분공간의 공분산 인식 재가중 방식인 λ-PSD를 제안한다. 가우시안 설정에서 안정적인 SNR²를 달성하며, 샘플 수에 대해 선형 시간 복잡도를 유지하면서 적합도 검정력을 크게 높인다.

arXiv:2606.24453v1cs.AI

Bayesian control for coding agents

Modern coding agents pair LLM generators with various tools, including cheap diagnostics and expensive verifiers. The tool-use decisions are typically governed by orchestrators that often use fixed rules and ignore uncertainty. We formulate orchestration as cost-sensitive sequential hypothesis testing: a Bayesian controller maintains a belief over candidate correctness and dynamically decides whether to gather more evidence, refine the candidate, verify it, or stop. Across six generators and nine coding benchmarks, Bayesian control proves to be most valuable when verification is costly and critics are informative but imperfect. Beyond control, the belief state yields an interpretable correctness score that outperforms token-probability and raw tool-success baselines for uncertainty quantification.

arXiv:2606.24074v1cs.CC

Token Complexity of Certifying Stochastic-Oracle Reliability

Wang~\cite{Wang2026} introduced the Stochastic-Oracle Turing Machine (SOTM) framework and defined token complexity as the minimum expected cost of interacting with a stochastic oracle needed to attain a specified solution quality for a task. This paper develops an analogous notion for certifying the reliability of a stochastic oracle on a given domain. Certification token complexity is the minimum expected token cost required, with controlled error probability, to distinguish oracles that meet a target reliability level from those that fall below a lower reliability threshold. We construct an SPRT-based certification SOTM that queries the oracle, computes binary correctness scores, and stops when the accumulated log-likelihood evidence crosses a decision threshold. The SOTM halts almost surely, satisfies the desired two-sided error guarantee over the reliability regions to be certified, and yields an explicit upper bound on certification token complexity in terms of the reliability thresholds, the error bound, and the expected per-turn token cost. We then establish a matching information-theoretic lower bound: even with adaptive queries, every error-bounded certification SOTM must incur the same leading-order expected token cost as the SPRT-based construction as the prescribed error bound tends to zero. Together, these bounds characterize the leading-order certification token complexity in the small-error regime.

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:2606.11235v1cs.LG

확장 가능하고 통계적으로 건전한 데이터 마이닝을 위한 퓨샷 리샘플링

Few-Shot Resampling for Scalable Statistically-Sound Data Mining

지식 발견의 핵심 단계는 데이터 마이닝 결과의 평가이다. 패턴 마이닝, 그래프 분석 등 여러 응용 분야에서 이 단계는 데이터의 노이즈나 무작위 변동으로 인한 허위 발견을 방지하기 위해 결과의 통계적 유의성 평가를 포함한다. 일부 특정 응용 분야에는 전용 절차가 개발되어 있지만, 리샘플링 기반 접근법은 분석적 결과를 도출할 수 없는 복잡한 분석에서 특히 널리 사용된다. 그러나 현재의 리샘플링 기반 접근법은 수천 개의 리샘플링된 데이터셋을 생성하고 분석해야 하므로, 대규모 데이터셋이나 계산 집약적인 분석에서는 비현실적이다. 본 논문에서는 허위 발견 확률에 대한 엄격한 보장과 함께 데이터 마이닝 결과의 통계적 유의성을 평가하는 단순하고 효과적인 리샘플링 기반 접근법인 FewRS를 소개한다. 우리의 접근법은 리샘플링 기반 접근법이 적용되는 모든 상황에서 사용 가능하다. FewRS는 데이터 마이닝 결과의 품질을 나타내는 검정 통계량의 상한 편차(supremum deviation)에 대한 새로운 경계 유도에 기반한다. 우리는 FewRS가 극히 적은 수의 리샘플링된 데이터셋만 생성하고 분석하면 됨을 증명하며, 이는 광범위한 적용 가능성을 갖춘 고도로 확장 가능한 접근법으로 이어진다. 우리는 패턴 마이닝과 네트워크 분석 같은 일반적인 태스크에서 접근법을 테스트한다. 모든 경우에서 우리의 접근법은 높은 통계적 검정력을 유지하면서 최신 기술 대비 최대 두 자릿수의 실행 시간 단축을 달성하며, 대규모 실세계 데이터셋에서 데이터 마이닝 결과의 통계적 검증을 가능하게 한다.