Admissibility of Adaptive Monotone Step-Down Multiple Testing Procedures Under Arbitrary Covariance Dependence
Texas A&M University(德克萨斯农工大学);Indian Statistical Institute(印度统计研究所)
针对任意协方差依赖下多元正态均值的同步检验问题,建立了一类基于残差的自适应单调逐步下降多重检验程序的可容许性定理,证明其关于向量值损失函数是可容许的。
2026-05-28 math.ST stat.TH
Adaptive estimation of the sparsity in the Gaussian vector model
考虑均值为θ的高斯向量模型。我们研究了估计数量的孪生问题|θ|_0的非零分量,并检验|θ|_0小于某个值。为了检验,我们建立了该模型的极大极小分离距离,并引入了极大极小自适应检验。未知方差的情况下的扩展进行了讨论。重写对|θ|_0作为所有假设的多重检验问题{|θ|_0 <= q},我们都得到了一个新的方法来评估稀疏估计的最优性,我们展示了这样一个最优的过程。这种通用方法为估计各种统计模型中信号的复杂性提供了路线图。
2017-03-01 math.ST stat.TH
On the Asymptotics of Item Selection in Multidimensional Computerized Adaptive Testing
School of Statistics, University of Minnesota(明尼苏达大学统计学院)
本研究针对多维计算机化自适应测试,提出加权A-最优项目选择规则,证明其渐近最优性,扩展至单项目施测场景,为MCAT的统计推断提供理论支撑,模拟验证了其有限样本表现。
2026-08-04 math.ST stat.TH
Minimax nonparametric testing in a problem related to the Radon transform
我们考虑的检测问题的二维函数从噪声观测其积分线。我们研究率和尖锐的渐近误差概率在极大极小设置。通过构造,导出的测试是非适应性的。我们还构造了一个结构相当简单的minimax率最优自适应测试。
2011-09-19 math.ST stat.TH
Sharp adaptive nonparametric testing for Sobolev ellipsoids
我们考虑在强度为1/sqrt(n)的高斯白噪声中测试信号的存在,当替代方案由具有(平方)半径ρ的L2球的平滑椭球给出时。已知对于光滑度为β且大小为M的固定Sobolev型椭球,n次方的ρ(4 β/(4 β +1))是临界分离率,在这个意义上,α检验的第二类极大极小误差严格渐近地保持在0和1之间(Ingster,1982)。此外,Ermakov(1990)发现了第二类极大极小误差在分离率下的尖锐渐近性。在这种情况下,对于β和M的自适应,已知对于ρ的分离率的对数惩罚对于非零渐近功率是必要的。在这里,下面的一个例子,在非参数估计相关的平斯克常数,我们调查的适应问题,椭球大小M只,固定的光滑度β。它是建立在自适应设置的尖锐的风险渐近可以复制,如果ρ趋于零慢于分离率。在这里,适应的代价是一个任意缓慢地趋于无穷大的序列。
2012-10-30 math.ST stat.TH
Adaptive Testing for High-dimensional Data
针对高维数据的全局检验问题,提出了一类基于$L_q$ -范数的U-统计量.这包括均值向量及其空间符号的检验、线性模型系数的同时检验以及高维观测值的分量独立性检验等。在原假设下,我们在温和的矩和累积量条件下,得到了几个$q$的基于$L_q$ -范数的U-统计量之间的渐近正态性和独立性.一个简单的组合,两个学生化的$L_q$为基础的检验统计量,通过其$p$值的建议,并实现对不同稀疏性的替代品的巨大权力。我们的工作是He et al.(2021)的实质性扩展,主要集中在均值和协方差检验上,并且我们设法为广泛的一类内核提供了基于$L_q$ -范数的U-统计量的渐近独立性的一般处理。为了减轻计算负担,我们通过在求和中使用单调指数来引入所提出的U-统计量的变体,从而得到具有非对称核的U-统计量。引入了一种动态规划方法,以减少计算成本从$O(n^{qr})$,这是需要计算的完整的U-统计量,$O(n^r)$,其中$r$是核的顺序。数值研究进一步证实了所提出的自适应测试相比,一些现有的竞争对手的优势。
2023-03-14 math.ST stat.ME stat.TH
Optimal Adaptive Strategies for Sequential Quantum Hypothesis Testing
我们考虑两个量子态之间的序贯假设检验,采用自适应和非自适应策略。在这种设置中,顺序地请求未知状态的样本,并且在每次测试之后做出是继续还是接受两个假设之一的决定。在样本数量有界的约束下,无论是在预期还是高概率,我们表现出自适应策略,最大限度地减少这两种类型的错误识别错误。也就是说,我们表明,这些错误呈指数下降(在停止时间)的衰减率由两个国家之间的测量相对熵。此外,如果我们允许对多个样本进行联合测量,则速率增加到相应的量子相对熵。我们还充分刻画了非自适应策略的可实现误差指数,并提供了数值证据表明,自适应测量是必要的,以实现我们的界限下,一些额外的假设。
2022-02-28 cs.IT math-ph math.IT
Sharp adaptive and pathwise stable similarity testing for scalar ergodic diffusions
针对非参数扩散模型中未知漂移与参考漂移的相似性推断问题,提出无需先验违例区域信息的多重检验方法,证明其极小极大最优与自适应性,且对驱动噪声偏离布朗运动的情况(含近布朗运动的分数噪声)具稳健性。
2024-04-16 math.PR math.ST stat.ME
Rank-adaptive covariance testing with applications to genomics and neuroimaging
University of Toronto(多伦多大学);University of Wisconsin - Madison(威斯康星大学麦迪逊分校)
本文提出Rank-Adaptive Covariance Testing方法,通过利用两组协方差矩阵的低秩结构差异提升检验效能,适用于基因表达网络和扩散张量成像数据的协方差异质性检验。
2025-07-23 math.ST stat.AP stat.ME
Testing for Treatment Effect in Covariate-Adaptive Randomized Clinical Trials with Generalized Linear Models and Omitted Covariates
尽管在临床试验中广泛使用,但在协变量自适应随机化下,统计推断的有效性仍受到关注。在文献中,协变量自适应随机化下的推断性质主要针对连续响应进行了研究;特别是,众所周知,处理效应的常用双样本t检验通常是保守的,在这个意义上,实际检验大小小于标称水平。这种无效检验的现象也在没有调整协变量的广义线性模型中发现,有时由于膨胀的第一类错误而更令人担忧。本研究的目的是检查广义线性模型和协变量自适应随机化下处理效应的未校正检验。对于一大类协变量自适应随机化方法,我们得到了在原假设下检验统计量的渐近分布,并导出了检验是保守的、有效的或反保守的条件.详细讨论了几种常用的广义线性模型,如逻辑斯谛回归和泊松回归。还提出了一种调整方法,以实现一个有效的大小的渐近结果的基础上。数值研究证实了理论研究结果,并证明了所提出的调整方法的有效性。
2021-05-02 math.ST stat.ME stat.TH
STRAW: Structure-Adaptive Weighting Procedure for Large-Scale Spatial Multiple Testing
针对信号空间分布不均的大规模多重检验问题,提出完全数据驱动的STRAW加权程序,利用核平滑Lfdr估计局部稀疏水平并实现FDR控制。
2023-09-27 math.ST stat.ME stat.TH
Sequentiality and Adaptivity Gains in Active Hypothesis Testing
考虑一个决策者,他负责收集观察结果,以便以快速的方式增强他对感兴趣的潜在现象的信息。决策者选择感测动作的策略可以基于以下两个因素进行分类:i)顺序与非顺序; ii)自适应与非自适应。非序贯策略收集固定数量的观测样本,然后做出最终决策;而在序贯策略下,样本大小最初是未知的,由观测结果决定。在自适应策略下,决策者依赖于先前收集的样本来选择下一个感知动作;而在非自适应策略下,动作的选择与过去的观测结果无关。在本文中,性能界限提供的政策在每一类。使用这些界限,序列性增益和自适应性增益,即,表征了动作的顺序和自适应选择的增益。
2012-11-10 cs.IT math.IT math.ST
Heteroscedasticity Testing for Regression Models: A Dimension Reduction-based Model Adaptive
异方差检验在回归分析中具有重要意义。现有的局部平滑检验由于采用了非参数估计,即使协变量的数目不多,也会受到维数灾难的严重影响。本文提出了一种基于降维的模型自适应检验方法,该方法类似于局部平滑检验,假设协变量的个数等于均值回归函数中协变量的线性组合个数,特别是当均值函数包含一个单一指标时,协变量的个数等于1。在原假设下,检验统计量是渐近正态的,因此很容易确定临界值。通过仿真和实际数据分析,检验了有限样本的性能。
2015-10-13 stat.ME
Multiple testing with discrete data: proportion of true null hypotheses and two adaptive FDR procedures
当p值具有离散和异质零分布时,我们考虑具有错误发现率(FDR)控制的多重检验。我们提出了一个新的估计比例的真实零假设,并证明它是向上偏少比Storey的估计和其他两个估计。新的估计器包括两个自适应过程,即,自适应Benjamini-Hochberg(BH)过程和自适应Benjamini-Hochberg-Heyse(BHH)过程。我们证明了自适应BH过程是保守的非渐近。通过模拟研究,我们表明,这些程序通常是更强大的比他们的非自适应同行和自适应BHH程序通常是更强大的自适应BH程序和基于随机p值的程序。自适应程序应用于HIV疫苗效力的研究,其中它们在相同FDR水平下比BH程序识别更多差异多态性位置。
2017-08-31 stat.ME
Randomization Tests for Adaptively Collected Data
随机化检验是统计学中的一种基本方法,能够进行推理任务,例如检验随机变量的(条件)独立性,在半参数位置模型中构建置信区间,以及通过保形推理构建(通过反转置换检验)无模型预测区间。随机化检验对任何样本量都是完全有效的,但它们的使用通常仅限于可交换的数据。然而,在许多应用中,数据是通过例如,(上下文)强盗和强化学习算法或自适应试验设计。在本文中,我们提出了一个通用的框架,随机化测试自适应收集的数据(尽管它的非交换),使用一种新的加权随机化测试,我们还提出了新的计算上易于处理的reservation算法,各种流行的自适应分配算法,数据生成环境,和类型的推理任务。最后,我们通过一系列的模拟证明了我们的框架测试和置信/预测区间建设的功效。
2023-03-19 stat.ME
Anytime-valid testing with e-values and confirmatory adaptive designs
University of Bremen(不来梅大学)
本文比较了基于e值的任意时刻验证检验与确认性自适应设计,揭示其形式与方法上的联系与差异,并指出各自优势及相互借鉴之处。
2026-05-30 stat.ME
Data-adaptive statistics for multiple hypothesis testing in high-dimensional settings
目前天文学、基因组学和市场营销等领域的统计推断问题通常涉及同时测试数千甚至数百万个零假设。对于高维多变量分布,这些假设可能涉及广泛的参数,变量之间具有复杂和未知的依赖结构。在分析这样的假设检验过程中,可以通过在检验之前对假设集合执行变量缩减来实现效率和功效的增益。我们在本文中提出了一种方法,使用数据自适应多重检验,正是服务于这一目的。这种方法应用数据挖掘技术,通过交叉验证筛选整个样本的等大小分区上的全部协变量。这种广义筛选过程用于创建协变量的平均秩,然后用于生成简化的(子)假设集,从中计算检验统计量,随后进行标准多重检验校正。这种方法的主要优点在于它提供了有效的统计推断,而不需要\textit{a priori}指定要检验哪些假设。在这里,我们提出了这种方法的理论细节,通过模拟研究确认其有效性,并通过将其应用于microRNA差异表达数据的分析来验证其使用。
2017-04-24 stat.ME stat.ML
Sample-Efficient Multiple Testing with Adaptive Data Collection
University of Pennsylvania(宾夕法尼亚大学)
本文提出基于e值的后验采样程序,在自适应多重检验中控制错误发现率并保证嵌套拒绝集,通过理论界和实验验证其样本高效性。
2026-09-23 stat.ME
Adaptive Monte Carlo Multiple Testing via Multi-Armed Bandits
蒙特卡罗(MC)排列检验被认为是统计假设检验的金标准,特别是当标准参数假设不明确或可能失败时。然而,在需要同时执行大量假设检验的现代数据科学环境中,由于其高昂的计算成本,很少使用它。例如,在全基因组关联研究中,假设检验$m$的数量约为$10^6$,而每个检验的MC样本数量$n$可能大于$10^8$,总计超过$nm$ = $10^{14}$样本。本文提出了自适应MC多重检验(AMT)来估计MC p值,并控制多重检验中的错误发现率。该算法输出与标准全MC方法相同的结果,具有高概率,同时仅需要$\tilde{O}(\sqrt{n}m)$样本。该样本复杂度被证明是最佳的。在Parkinson GWAS数据集上,该算法将完整MC的运行时间从2个月减少到1个小时。基于多臂强盗理论推导了AMT算法。
2019-05-18 cs.IT math.IT q-bio.GN
Adaptive adequacy testing of high-dimensional factor-augmented regression model
本文针对高维因子增强回归模型在密集备择假设下检验效果不佳的问题,提出二次型检验统计量及自适应检验方法,在稀疏和密集备择假设下均具功效,并通过模拟与FRED-MD数据集验证其优势。
2025-04-03 stat.ME
Structure-Adaptive Conformal Inference for Large-Scale Out-of-Distribution Testing
Center for Data Science and School of Mathematical Sciences, Zhejiang University(数据科学中心和数学科学学院,浙江大学)
提出结构自适应共形q值(SCQ)和伪分数引导的直推式自动模型选择(P-TAMS),在成对可交换性下实现结构化分布外检测的有限样本错误率控制、功效提升和可解释性增强。
2026-05-26 cs.AI cs.LG stat.ME
Multiple testing with the structure adaptive Benjamini-Hochberg algorithm
在同时测试大量假设的多重检验问题中,错误发现率(FDR)控制可以用众所周知的Benjamini-Hochberg过程来实现,该过程适应于数据中存在的信号量。已经提出了对该过程的许多修改,以提高假设被组织成组或层次结构以及其他结构化设置的场景中的功效。在这里,我们介绍SABHA,“结构自适应Benjamini-Hochberg算法”,作为这些自适应测试方法的推广。SABHA结合了关于假设列表内的信号和空值的位置模式中的任何预定类型的结构的先验信息,以数据自适应的方式重新加权p值。这通过在信号似乎更常见的地区进行更多的发现来提高功率。我们的主要理论结果证明,SABHA控制FDR在一个水平,这是最多略高于目标FDR水平,只要自适应权重被充分约束,以便不过拟合太多的数据有趣的是,多余的FDR可以相关的拉德马赫复杂度或高斯宽度的类,我们选择我们的数据自适应权重。我们将这个一般框架应用于各种结构化设置,包括有序,分组和低总变差结构,并获得每个特定设置的FDR上的界限。我们还研究了SABHA对fMRI活动数据和基因/药物反应数据以及模拟数据的经验表现。
2017-09-13 stat.ME
Covariate Adaptive False Discovery Rate Control with Applications to Omics-Wide Multiple Testing
传统的多重检验程序通常假设不同特征的假设是可交换的。然而,在许多科学应用中,关于信号和空值模式的额外协变量信息是可用的。在本文中,我们介绍了一个FDR控制过程中的大规模推理问题,可以纳入协变量信息。我们开发了一个快速算法来实现所提出的过程,并证明了其渐近有效性,即使底层模型是错误的,p值是弱相关的(例如,强混合)。进行了大量的模拟研究所提出的方法的有限样本性能,我们证明了新的方法是灵活的,强大的,强大的和计算效率提高了国家的最先进的方法。最后,我们将该方法应用于基因组学研究中产生的几个组学数据集,目的是识别与一些临床和生物表型相关的组学特征。我们表明,该方法是整体上最强大的竞争方法,特别是当信号稀疏。提出的协变量自适应多重检验过程在R软件包CAMT中实现。
2020-06-10 stat.ME
A general adaptive framework for multivariate point null testing
作为完善科学研究的一个常见步骤,研究人员通常对筛选给定的统计假设集感兴趣。例如,他们可能希望确定几个患者特征中的任何一个是否与感兴趣的健康结果相关联。现有的通用方法用于测试多变量假设-例如应用于单个假设检验的多重性校正-可以很容易地应用于各种问题,但在某些情况下可能会受到低功率的影响。量身定制的程序可以通过围绕特定问题的信息来获得更高的功率,但通常不能轻易地适应新的设置。在这项工作中,我们提出了一个通用的框架来测试一个多变量点的原假设,其中的检验统计量是自适应选择,以提供更高的功率。我们提出了理论上的大样本保证我们的测试下固定和本地的替代品。在模拟研究中,我们表明,使用我们的框架创建的测试可以执行,以及量身定制的方法时,后者是可用的,我们说明了我们的程序如何可以用来创建测试中的两个设置中,量身定制的方法是目前不可用。
2022-03-03 stat.ME
Adaptive, Rate-Optimal Hypothesis Testing in Nonparametric IV Models
本文提出一种自适应假设检验方法,用于非参数工具变量模型中的不等式和等式约束,达到自适应极小极大检验速率,并通过模拟和实证验证其有效性。
2024-11-06 econ.EM stat.ME stat.ML
Covariance-Adaptive Residualization and Stagewise Calibration for Dependent Multiple Testing
Texas A&M University(德克萨斯农工大学);Indian Statistical Institute(印度统计研究所)
针对任意协方差相依下的多元高斯均值同时假设检验问题,提出一种结合协方差自适应残差化与广义分步临界常数的分步校准程序,在降低计算复杂度的同时实现更优的信号恢复和错误控制。
2026-07-10 stat.ME
Asymptotic Theory and Sequential Testing for Adaptive Bandits
School of Mathematics and Statistics, Xi’an Jiaotong University(西安交通大学数学与统计学院)
提出Urn Bandit过程,结合瓮概率模型与多臂老虎机,建立非独立同分布奖励序列下的联合泛函中心极限定理,实现序贯检验的渐近理论,在保持检验性能的同时提升奖励累积。
2026-05-30 stat.ME
Adaptive Learn-then-Test: Statistically Valid and Efficient Hyperparameter Selection
King’s College London(伦敦国王学院)
提出自适应先学习后测试(aLTT)方法,利用e-processes实现序列数据依赖型多重假设检验与提前终止,在保证统计有效性的同时大幅减少测试轮数,有效降低AI模型超参数选择的成本与安全风险。
2025-01-31 cs.AI cs.IT cs.LG
Consistent estimation of the proportion of false nulls and FDR for adaptive multiple testing Normal means under weak dependence
我们考虑许多相依正态随机变量的多重检验均值,这些随机变量不一定服从联合正态分布。在弱相依下,证明了Lebesgue-Stieltjes方程解的比例估计的一致相合性,并通过弱相依指数刻画了这些估计的稀疏比例的一致估计.另一方面,在主相关结构和采用一个合适的定义的p值复合零假设,我们表明,三个关键的经验过程引起的一个单步多重检验程序(MTP)满足强大数定律测试的三种类型的零。此外,在此结构下,并分别为测试一个点空和一个片面的空,我们构造了一个自适应单步MTP,采用比例估计前面提到的,并证明了该过程的错误发现比例满足弱大数定律,因此一致估计的错误发现率的过程。此外,我们报告了一些调查结果的估计金和Meinshausen和水稻的比例的假空值的关键和非常稀疏的制度下弱依赖和模型误设定,分别。
2022-05-05 stat.ME
Distributional Granger Causality: Identification, Sequential Inference, and Adaptive Testing
Texas Tech University(德克萨斯理工大学)
提出基于有限渠道特定约束的分布格兰杰因果关系框架,通过自适应序贯检验控制族系误差,实现与不可行基准相当的检验功效。
2026-06-23 econ.EM stat.ML
A Locally Adaptive Algorithm for Multiple Testing with Network Structure
本文提出局部自适应结构学习算法LASLA,通过p值加权整合网络等复杂辅助信息,在渐近控制FDR的同时提升多重检验功效。
2025-02-10 stat.ME stat.ML
Graph Based, Adaptive, Multi Arm, Multiple Endpoint, Two Stage Design
本文将基于图的多重检验方法扩展到支持自适应调整的多臂多终点两阶段设计,并通过大型模拟比较p值合并法与条件错误率法。
2025-01-06 stat.ME
Adaptive testing method for ergodic diffusion processes based on high frequency data
我们考虑基于高频数据的多维遍历扩散的参数检验。提出了扩散参数和漂移参数的两步测试方法。为了构造检验统计量,我们利用自适应估计量,并提供了三种类型的检验统计量:似然比型检验,Wald型检验和Rao的得分型检验。证明了这些检验统计量在原假设下按分布收敛于卡方分布,并具有对备择检验的相合性。此外,这些检验统计量在分布上收敛于局部替代下的非中心卡方分布。对这三类检验统计量的行为进行了模拟研究。
2020-10-26 math.ST stat.TH
Adaptive minimax testing in inverse Gaussian sequence space models
在逆高斯数列空间模型中,在无原假设的条件下,同时得到了非渐近极小极大椭圆型替代品的检验半径,用于信号检测问题和拟合优度问题.半径是两项的最大值,每项仅取决于其中一个噪声水平。有趣的是,涉及运营商的噪声水平的术语明确地取决于原假设,并在信号检测的情况下消失。通过首先显示任意零假设和噪声水平的下界来建立极大极小半径。对于上界,我们考虑两个测试程序,直接测试的基础上估计的能量在图像空间和间接测试。在较弱的假设下,证明了间接检验的检验半径达到了下界,证明了半径和检验的极大极小最优性。我们强调的假设下,直接测试也表现最佳。此外,我们采用经典的Bonferroni方法,使间接和直接测试自适应的替代品的规律性。半径的自适应测试恶化的额外的对数因子,我们证明是不可避免的。考虑索伯列夫空间和轻度或严重不适定的反问题的结果进行了说明。
2020-02-18 math.ST stat.TH
Simple Adaptive Size-Exact Testing for Full-Vector and Subvector Inference in Moment Inequality Models
我们提出了一个简单的测试矩不等式,具有确切的大小在正态模型与已知的方差,并具有一致渐近准确的大小更一般。该检验将准似然比统计量与卡方临界值进行比较,其中自由度是有限样本中活跃的不等式的秩。该检验不需要模拟,因此计算速度快,特别适合于通过检验反演来构造参数的置信集。它不使用调整参数的时刻选择,但仍然适应松弛的时刻不等式。此外,我们展示了如何测试可以很容易地适应子向量的推断为常见的经验设置的条件矩不等式与干扰参数进入线性。
2020-08-18 econ.EM math.ST stat.TH
Anaconda: A Non-Adaptive Conditional Sampling Algorithm for Distribution Testing
Simons Institute for the Theory of Computing(西蒙斯计算理论研究所);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
我们研究了非自适应条件样本的分布检验。在条件抽样模型中,算法被赋予对分布的以下访问:它向oracle提交查询集$S$,oracle返回来自分布的样本,条件是来自$S$。在非自适应设置中,必须在查看结果之前指定所有查询集。我们的主要成果是第一个多元查询算法的等价性测试,决定是否两个未知的分布是相等或远离对方。这是一个指数的改善,在以前的最佳上限,并表明该模型中的问题的复杂性是中间的标准采样模型和自适应条件采样模型中的问题的复杂性。我们还显着提高了样品的复杂性,更容易的问题的一致性和同一性测试。对于前者,我们的算法只需要$\tilde O(\log n)$查询,匹配的信息理论下限的$O(\log \log n)$ -因素。我们的算法的工作原理是将问题从$\ell_1$ -测试减少到$\ell_\infty$ -测试,这使得样本复杂性要便宜得多。由于非自适应模型的功率有限,我们的算法非常简单。然而,由于两个任意分布如何不同的复杂结构,分析中存在重大挑战。
2018-11-05 cs.DS cs.IT cs.LG
Adaptive testing for the graphical lasso
我们考虑在逆协方差阵估计的图形套索设置的显着性检验。我们提出了一个简单的检验统计量,基于图套索路径中节点的一个子序列,我们证明了这个统计量具有指数渐近零分布,在原假设下,该模型包含真正的连接组件。虽然零分布是渐近的,我们通过模拟表明,它提供了一个接近真实的分布在合理的样本量。因此,测试提供了一个简单的,易于处理的测试的意义,新的边缘,因为他们被引入到模型。最后,我们展示了我们的结果和其他正则化回归结果之间的联系,以及我们的结果扩展到其他基于相关阵的方法,如单链聚类。
2013-07-22 math.ST stat.ME stat.TH
Robust Adaptive Rate-Optimal Testing for the White Noise Hypothesis
针对弱白噪声原假设提出了一种新的检验方法。该检验基于Box-Pierce或Hong检验统计量顺序的新自动选择。该测试使用Lobato(2001)或Kuan和Lee(2006)HAC临界值。数据驱动的顺序选择是定制的,以检测一类新的替代品的自相关系数,可以是$o(n^{-1/2})$提供有足够的。仿真实验表明,该方法在弱白噪声零值和替代零值情况下均具有良好的性能。
2012-11-02 math.ST stat.AP stat.ME
Bounds for the Number of Tests in Non-Adaptive Randomized Algorithms for Group Testing
Technion(以色列理工学院);The Orthodox Arab College(东正教学院)
研究了非自适应随机算法的分组测试问题。文献中讨论了几种模型,以确定如何随机选择测试。对于模型${\cal M}$,设$m_{\cal M}(n,d)$为在$n$项目中检测到最多$d$缺陷所需的最小测试数,对于某个常数$δ$,成功概率至少为$1-δ$。本文研究了测度$$c_{\cal M}(d)=\lim_{n\to \infty} \frac{m_{\cal M}(n,d)}{\ln n} \mbox{ and } c_{\cal M}=\lim_{d\to \infty} \frac{c_{\cal M}(d)}{d}.$$在文献中,对这类模型的分析只给出了$c_{\cal M}(d)$和$c_{\cal M}$的上界,而且对其中的一些模型,给出的上界不是紧的.我们给出了新的分析,产生紧界的$c_{\cal M}(d)$和$c_{\cal M}$的所有已知的模型~ ${\cal M}$。
2019-11-05 cs.LG math.ST stat.ML
The time-adaptive statistical testing for random number generators
研究了随机数发生器(RNG)的有效统计检验问题。目前,有数百种RNG统计测试通常被组合成所谓的电池,每个电池包含十几到一百多个测试。当使用电池测试时,将其应用于RNG生成的序列,并且计算时间由序列的长度和测试的数量确定。一般来说,序列越长,通过特定的测试可以发现与随机性的偏差越小。因此,当应用电池时,一方面,“更好”的测试在电池中,拒绝“坏”RNG的机会越多。另一方面,电池越大,每次测试花费的时间越少,因此测试序列越短。反过来,这降低了从随机性中找到小偏差的能力。为了减少这种权衡,我们提出了一种自适应的方法来使用电池(和其他组)的测试,这需要更少的时间,但在一定意义上,保留了原来的电池的功率。我们称这种方法为时间自适应测试电池。
2020-02-07 cs.CR math.ST stat.TH
Optimal Non-Adaptive Group Testing with One-Sided Error Guarantees
National University of Singapore(新加坡国立大学)
研究了允许少量误分类的分组测试近似恢复问题,提出在仅允许假阴性或假阳性误分类的情况下,存在匹配最优阈值的算法,并证明现有算法在仅允许假阳性时最优。
2026-04-23 cs.IT math.IT math.ST
Sequential Design for Computerized Adaptive Testing that Allows for Response Revision
在计算机自适应测试(CAT)中,根据已经观察到的反应实时选择项目(问题),以便尽可能准确地估计考生的能力。这通常被公式化为非线性、顺序、试验设计问题,其具有对应于真或假响应的二进制观测。然而,在实践中,大多数项目是多项选择和二分模型没有充分利用现有的数据。此外,CAT因不允许考生复习和修改答案而受到严厉批评。在这项工作中,我们提出了一种新的CAT设计,它是基于多分类的名义上的响应模型,并允许考生在测试过程中的任何时候修改他们的反应。我们表明,作为管理项目的数量趋于无穷大,建议的估计是(i)强一致的任何项目的选择和修订策略和(ii)渐近正常时,选择的项目,以最大限度地提高Fisher信息在当前的能力估计和修订的数量是小于的项目数量。我们还提出了一个模拟研究的结果,支持我们的渐近结果。
2015-01-07 math.ST stat.AP stat.ME
Exact Thresholds for Noisy Non-Adaptive Group Testing
本文针对噪声非自适应群组测试,在伯努利和近恒定每项测试数两种随机设计下推导出精确渐近阈值,结合信息论阈值解码器与最大似然解码分析,同时给出上界和下界,显著缩小了与无噪声设置之间的理论差距。
2024-10-23 cs.DM cs.IT math.IT