The capacity of Bernoulli nonadaptive group testing
我们考虑非自适应组测试与伯努利测试,其中每个项目被放置在每个测试独立的一些固定的概率。我们给出了一个严格的阈值上所需的最大数量的测试,找到最佳的伯努利测试下的缺陷集。Scarlett和Cevher的一个结果给出了可解性;这里我们给出了一个逆界,表明这个结果是最好的。我们的新的逆需要三个部分:一个典型性界推广平凡计数界,一个逆的COMP算法的陈等人,并在SSS算法上的约束类似于由奥尔德里奇,Baldassini,和约翰逊。我们的结果有一些重要的推论,特别是,在密集的情况下,伯努利非自适应组测试是严格比最好的自适应策略。
2017-11-15 cs.IT math.IT math.ST
Rank-transformed subsampling: inference for multiple data splitting and exchangeable p-values
本文提出秩变换子采样方法,通过组合多次随机数据分割的统计量或p值进行大样本推断,在控制第I类错误的同时显著提升检验功效。
2024-09-04 math.ST stat.ME stat.TH
On the relation between likelihood ratios and p-values for testing success probabilities of Bernoulli trials
Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
本文研究了p值与似然比之间的渐近关系,指出在硬币抛掷情境中,p值为0.05时似然比上限不超过7.5,并探讨了通过抛硬币获取大似然比的可能性。
2026-03-20 math.ST stat.TH
A quantitative Heppes Theorem and multivariate Bernoulli distributions
利用Heppes关于离散支持概率测度的一个定理的一些推广,我们解决了基于投影的分类和检验问题。特别地,当分布的支持度预先已知时(例如对于多变量伯努利分布),单个适当选择的投影确定分布。这些结果的几个应用被认为是。
2023-03-09 math.PR math.ST stat.TH
Monte Carlo testing: non-asymptotic guarantees without joint exchangeability
University of Chicago(芝加哥大学);Carnegie Mellon University(卡内基梅隆大学)
研究假设检验中蒙特卡罗检验问题,针对常见计算程序不足,给出有限样本保证。条件是观测数据和副本在给定潜在变量下条件独立同分布,对任意统计量和副本数成立,解释有限样本振荡行为,还为其他推断问题提供见解。
2026-07-28 math.ST stat.ME stat.TH
On the All-Or-Nothing Behavior of Bernoulli Group Testing
University of Leeds(利兹大学);National University of Singapore (NUS)(新加坡国立大学)
本文研究非自适应群检测在弱恢复准则下的极限,发现伯努利随机测试存在全有或全无现象:测试数略低于阈值时弱恢复不可能,略高于时精确恢复可行,而非伯努利设计可用更少测试实现所有放宽准则。
2021-01-04 cs.IT eess.SP math.IT
Improved group testing rates with constant column weight designs
我们考虑非自适应组测试,其中每个项目被放置在一个常数数量的测试。测试是随机随机替换的,因此测试矩阵具有(几乎)恒定的列权重。我们表明,性能得到改善相比,伯努利设计,其中每个项目被放置在每个测试独立的固定概率。特别是,我们表明,实际COMP检测算法的速度增加了31%,在所有稀疏制度。在密集的情况下,这击败了Bernoulli测试的最佳算法,在稀疏的情况下,这是任何实用算法的最佳证明性能。我们还给出了一个算法独立的上限为恒定的列重量的情况下,密集的情况下,这是再次增加了31%,类似的伯努利结果。
2016-05-13 cs.IT math.IT math.ST
On The MCMC Performance In Bernoulli Group Testing And The Random Max Set-Cover Problem
本文证明了在小规模模拟中成功的低温MCMC方法在解决具有最优测试次数的Bernoulli Group Testing时需要超多项式时间,并确立了random k-set cover problem的紧致最大可满足性阈值。
2024-10-16 cs.DS math.PR math.ST
Statistical and Computational Phase Transitions in Group Testing
TU Dortmund(多特蒙德工业大学);Georgia Tech(佐治亚理工学院);MIT(麻省理工学院)
我们研究的组测试问题,其目标是确定一组k个感染的个人携带一种罕见的疾病,在一个人口规模为n,根据汇总测试的结果,返回阳性时,至少有一个感染的个人在测试组。我们考虑两种不同的简单随机程序分配个人的测试:常数列设计和伯努利设计。我们的第一组结果涉及基本的统计极限。对于恒列设计,我们给出了一个新的信息理论下限,这意味着正确识别的感染个体的比例经历了一个尖锐的“全有或全无”的相变时,测试的数量超过一个特定的阈值。对于伯努利设计,我们确定了解决相关检测问题所需的精确测试数量(目标是区分组测试实例和纯噪声),改进了Truong,Aldridge和Scarlett(2020)的上限和下限。对于这两个组测试模型,我们还研究了计算效率(多项式时间)的推理程序的权力。我们确定的精确数量的测试所需的类的低次多项式算法来解决检测问题。这提供了一个内在的计算统计差距在小稀疏水平的检测和恢复问题的证据。值得注意的是,我们的证据与Iliopoulos和Zadik(2021)的证据相反,他们预测伯努利设计中不存在计算统计差距。
2022-06-15 cs.DS cs.IT cs.LG
MDL Convergence Speed for Bernoulli Sequences
研究了在线序列估计/预测的最小描述长度原则。如果底层模型类是离散的,那么总期望平方损失是一个特别有趣的性能度量:(a)这个量是有界的,意味着以概率1收敛,(b)它还指定了收敛速度。对于MDL,在一般情况下,只能有损失的界限是有限的,但指数大于贝叶斯混合。我们表明,即使是这种情况下,如果模型类只包含伯努利分布。我们得到了可数Bernoulli类预测误差的一个新的上界。这意味着对于某些重要的模型类,有一个小的界限(与贝叶斯混合模型的界限相当)。我们讨论了机器学习任务的应用,如分类和假设检验,并推广到可数类的独立同分布。模型
2006-02-22 cs.IT cs.LG math.IT
Optimal structure learning and conditional independence testing
University of Chicago(芝加哥大学);Amazon(亚马逊)
本文建立结构学习与条件独立性检验之间的最优性联系,证明结构学习的最小最大最优率由条件独立性检验决定,并基于此提出改进的PC算法。
2026-06-16 math.ST stat.ML stat.TH
Conformal Prediction Through the Lens of Hypothesis Testing: Universality, Impossibility, and Optimality
University of California, Berkeley(加州大学伯克利分校);University of Chicago(芝加哥大学);Stanford University(斯坦福大学)
本文从可交换性原假设的置换检验视角阐释共形预测,借助经典假设检验理论重现共形预测的普适性与不可能性结果,并推导得出最优共形预测器的形式。
2026-09-24 math.ST stat.TH
Multivariate Rank-based Distribution-free Nonparametric Testing using Measure Transportation
在本文中,我们提出了一个一般的框架,分布自由的非参数检验在多维,基于一个概念的多变量秩定义的测量运输理论。与文献中其他现有的建议不同,这些多变量的行列与通常的一维行列共享一些有用的属性,最重要的是,这些行列是分布自由的。这一重要的观察使我们能够设计出在原假设下完全无分布的非参数检验。我们证明了这种方法的适用性,通过构建两个经典的非参数问题的精确分布测试:(i)测试随机向量之间的相互独立性,和(ii)测试多元分布的平等。特别地,我们提出了距离协方差的(多变量)秩版本(Székely等人,2007年)和能源统计(Székely和Rizzo,2013年)分别用于测试情景(i)和(ii)。在这两个问题中,我们得到了所提出的检验统计量的渐近零分布。我们进一步表明,我们的测试是一致的,对所有固定的替代品。此外,所提出的测试是无调谐的,计算上可行的,并且在对底层分布的最小假设下被良好定义(例如,他们不需要任何时刻假设)。我们还证明了这些程序的有效性,通过广泛的模拟。在分析我们的程序的理论性质的过程中,我们最终证明了一些新的结果,在测量运输理论和置换统计极限理论中使用Stein的方法可交换对,这可能是独立的利益。
2019-10-04 math.ST stat.ME stat.TH
A negative binomial approximation in group testing
本文研究非自适应群体检测中只出现在阳性检测里的非缺陷“侵入项”数量分布,证明在Bernoulli矩阵设计下其近似服从负二项分布,并据此分析Aldridge两阶段保守算法的性能。
2022-08-26 cs.IT math.IT math.PR
On the Complexity of A/B Testing
LTCI, Télécom ParisTech & CNRS(LTCI,巴黎高等电信学院与法国国家科学研究中心);Institut de Mathématiques de Toulouse, Université Paul Sabatier(图卢兹数学研究所,保罗·萨巴捷大学)
A/B测试是指在两个产生随机结果的选项中确定最佳选项的任务。我们提供了分布相关的下界的A/B测试的性能,提高了目前在固定置信度(或三角洲PAC)和固定预算设置的结果。当结果的分布是高斯分布时,我们证明了固定置信度和固定预算设置的复杂性是等价的,并且只有在方差相等的情况下,两种选择的均匀采样才是最优的。在共同方差的情况下,我们还提供了一个停止规则,终止速度比现有的固定置信度算法。在伯努利分布的情况下,我们表明,固定预算设置的复杂性是小于,固定的信心设置和均匀抽样的两个替代品-虽然不是最佳的-是可取的,在实践中结合适当的停止标准。
2015-02-24 cs.LG math.ST stat.ML
Gaussian Approximation for High-Dimensional Weighted and Two-Sample $U$-statistics with Size-Dependent Kernels
Graduate School of Economics, Kyoto University(京都大学经济研究科)
针对核依赖于样本大小的高维二阶 $U$- 和 $V$-统计量,在独立非同分布抽样下建立高斯逼近,统一处理非退化和退化情形,并涵盖加权、两样本统计量等特例。
2026-09-28 math.ST stat.TH
Hypothesis testing with low-degree polynomials in the Morris class of exponential families
低次多项式算法分析是预测假设检验问题计算阈值的一种新方法。当前用于这种分析的技术的一个限制是它们对伯努利和高斯分布的限制。我们扩大这一范围的可能性,通过执行低程度的分析的假设检验的莫里斯类指数家庭,高斯,泊松,伽玛,二项,负二项,广义双曲正割分布的统一处理。然后,我们给出了几个算法的应用。1.在通过指数族观察随机信号的模型中,低次多项式的成功或失败取决于$z$分数重叠,即$z$分数向量相对于信号的两个独立副本的零分布的内积。2.在相同的模型中,用低次多项式进行的测试表现出通道单调性:根据描述方差如何依赖于指数族中的均值的标量参数,上述分布允许通过假设检验的计算成本进行总排序。3.在具有特定非高斯噪声分布的尖峰矩阵模型中,除非允许各个矩阵项中具有任意大次数的多项式,否则低阶预测是不正确的。这表明,Ding,Hopkins和Steurer(2020)最近针对具有重尾噪声的尖峰矩阵模型提出的自避免行走及其变体的多项式求和对于该模型来说是次优的。因此,低次多项式似乎提供了鲁棒性和针对特定模型进行微调的强大性能之间的权衡,并且可能会遇到需要算法首先检查输入然后使用一些中间计算来从几个推理子例程中选择一个的问题。
2020-11-07 cs.DS math.PR math.ST
Multiple-Splitting Projection Test for High-Dimensional Mean Vectors
提出了一种高维环境下单样本均值向量的多重分裂投影检验方法。投影检验的思想是利用最优投影方向将高维样本投影到一维空间,使得传统的检验可以用投影样本进行。然而,估计的最佳投影方向还没有系统地研究在文献中。在这项工作中,我们通过正则化二次优化提出了一个一致的估计来弥补这一差距。为了保持第一类错误率,我们在构造检验统计量时采用了数据分裂策略。为了减轻由于数据分裂的功率损失,我们进一步提出了通过多个分裂的测试,以提高测试功率。我们证明了多重分裂产生的$p$ -值是可交换的。与现有的方法,往往保守地结合依赖$p$值,我们开发了一个确切的水平$α$测试,明确利用交换结构,以实现更好的权力。数值研究表明,所提出的测试井保留了第一类错误率,是更强大的比国家的最先进的测试。
2022-04-18 math.ST stat.ME stat.TH
Calibration Bands for Mean Estimates within the Exponential Dispersion Family
University of Warsaw, Faculty of Economic Sciences(华沙大学经济科学系);RiskLab, Department of Mathematics, ETH Zurich(苏黎世联邦理工学院数学系风险实验室)
本文提出基于校准带的方法,用于指数分散族中均值估计的自校准检验,适用于各种分布。
2026-01-12 math.ST stat.AP stat.ML