PulseAugur
中
实时 23:49:13
English(EN) Controlling False Discovery in Arbitrarily Structured Hypothesis Spaces via Reproducing Kernels

新方法利用假设结构控制错误发现

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一个新颖的框架，通过利用假设内部固有的结构来控制大规模假设检验中的错误发现。该方法将结构化 FDR 控制重构为正则化学习问题，利用再生核希尔伯特空间 (RKHS) 通过核选择统一图和层次结构等各种数据结构。该方法允许更平滑的解决方案和原则性的超参数调整，提供改进的发现能力并支持样本高效的实验设计。 AI

影响 引入了一种新的假设检验统计方法，可以提高 AI 研究中科学发现的效率。

排序理由 该集群包含一篇详细介绍新统计方法的学术论文。

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新方法利用假设结构控制错误发现

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Binyamin Perets, Shie Mannor ·

    通过再生核控制任意结构假设空间中的错误发现率

    arXiv:2605.17559v1 Announce Type: cross Abstract: Large-scale hypothesis testing is central to modern science, where controlling the False Discovery Rate (FDR) has become the standard approach to managing false positives across many simultaneous tests. Hypotheses rarely exist in …

  2. arXiv stat.ML TIER_1 English(EN) · Shie Mannor ·

    通过再生核在任意结构化假设空间中控制错误发现率

    Large-scale hypothesis testing is central to modern science, where controlling the False Discovery Rate (FDR) has become the standard approach to managing false positives across many simultaneous tests. Hypotheses rarely exist in isolation; they often exhibit structure through pr…

相关话题