Dec, 2016

交互式数据探索中控制虚假发现

PDF
TL;DR本文提出了一种名为 Aware 系统的解决方案，能够将多重假设检验控制集成到交互式数据探索工具中，通过实验证明 Aware 系统能够帮助专家和初学者高效地控制假发现率。
interactive data explorationfalse discovery ratemultiple hypothesis testingcontrol proceduresaware system
发现论文，激发创造
  • 在线控制假发现率和假发现超限

    这篇论文研究了在线控制 FDR 的问题，提出了一种广义的 Alpha-investing 过程，并证明了在规定条件下其能控制 FDR 同时也能控制假阳性探查率，并进一步开发了一组修改版的程序，以控制异常假发现的问题。

    Mar, 2016

  • 关于虚警误报率控制的在线方法

    本文提出了两种在线控制多重假设检验中虚阳性比例期望和虚假发现数期望比例以及解决相关关联问题的方法 LOND 和 LORD, 并通过混合模型的下限对总发现率进行了比较，在合成数据和现实数据中表现良好，仅控制 mFDR 的 alpha-investing 规则、Benjamin-Hochberg 方法和 Bonferroni 程序与 LOND 和 LORD 相比。

    Feb, 2015

  • 带有有限样本 FDR 控制的动态自适应多重检验

    本篇论文介绍了一种新的自适应多重检验方法，它依靠真空假设数量的估计，并控制有限样本大小下的误差发现率，其中采用了广义 Storey 估计和加权版本，结果发现相应的自适应上升和下降测试控制了 FDR，该结果还包括使用新的广义 Storey 估计器的数据相关加权的特定动态自适应阶梯测试。同时，本文也阐述了 Benjamini Hochberg（1995）定理的反转。

    Oct, 2014

  • 差分隐私假发现率控制

    该论文提出了第一个控制多重假设检验中的假阳性发现率的差分隐私程序，该程序基于 Benjamini-Hochberg 程序，并开发了一种新技术来证明一类多重检验过程的 FDR 控制。

    Jul, 2018

  • 交互式数据分析中的虚假发现预防是困难的

    论文表明，在自适应环境下，维护统计查询的计算有效性和正确性是计算难度的源泉，这对现今大型协作研究环境中防止错误发现的挑战具有本质性质。

    Aug, 2014

  • 有序假设检验中 FDR 控制的积累测试

    本文研究了在现代科学应用中出现的多重检验问题，其中可以利用先前的信息来对假设进行排名，以增加发现的数量并控制错误发现率，提出了一种基于累积检验的新方法，HingeExp 方法，相比现有技术具有更高的真实信号检测能力。

    May, 2015

  • 通过随机过程方法实现假阳性发现控制

    该论文扩展了 Benjamini 和 Hochberg 的虚假发现率理论，提出了一种以虚假拒绝比例为随机过程的框架，并构建了整个虚假发现比例过程的置信区间，从中推导出置信阈值，控制虚假发现的数量以及量化虚假发现的分布。

    Jun, 2004

  • 在线 FDR 控制下 Multi-A/B 测试框架

    提出了一种用最佳臂多臂老虎机 (MAB) 的连续监控替代 A/B 测试的新框架，利用在线虚警率控制算法和顺序 p 值，同时实现了样本优化、强大的能力和低虚假发现率 (FDR)。

    Jun, 2017

  • 私有假发现率控制

    本文提出了对于控制多重假设检验中假阳性发现率的差分隐私算法，并且在某些条件下基本没有损失。方法是通过对一种众所周知的 Benjamini-Hochberg 过程进行改进，使其每一步都是差分隐私的。同时，还开发了一种新的算法，称为 “top-k”，用于解决在隐私保护中的 “最受欢迎的 k 个爱好” 问题，并在不损失准确性的情况下提高算法速度。

    Nov, 2015

  • 带有衰减记忆的假阳性发现率在线控制

    对广义 α 投资算法（GAI）算法类进行了四个方面的改进：（a）通过为每个拒绝授予更多的 α 财富，统一提高整个单调 GAI 程序的功率；（b）演示如何将先前的权重纳入考虑；（c）允许为错误发现指定不同的处罚；（d）定义了一种称为 mem-FDR 的新数量，它可以在真正的时间应用中更有意义，并减轻我们描述并称之为 “piggybacking” 和 “alpha-death” 的问题。 最后，我们还描述了一种基于估计的假阳性发现比例推导新的在线 FDR 规则的简单方法。

    Oct, 2017