Hypothesis Testing and Decision Theoretic Approach for Fault Detection in Wireless Sensor Networks
传感器网络旨在监测其周围的事件检测和对象跟踪。但由于传感器的失效或死亡,可能会传输错误的信号。在本文中,我们考虑的问题,在无线传感器网络(WSN)的故障检测,特别是,同时解决噪声相关的测量误差和传感器故障的故障检测。我们假设传感器被放置在感兴趣区域(ROI)中的正方形(或六边形)单元的中心处,并且如果事件发生,则其发生在ROI的特定单元处。我们提出了故障检测计划,考虑到错误概率到最佳的事件检测过程。我们在考虑Neyman-Pearson检验和Bayes检验的情况下开发了该方案。
2012-03-02 cs.NI stat.AP
Hypothesis Tests with Functional Data for Surface Quality Change Detection in Surface Finishing Processes
这项工作是关于提供一个原则性的决定过程中停止或更换刀具的表面精加工过程。该决策过程应该适用于非平面几何形状的产品。该解决方案基于对来自表面精加工过程的两个连续阶段的轴承面积曲线进行假设检验。在每个阶段,轴承面积曲线,这实际上是非参数分位数曲线表示的表面粗糙度,从表面轮廓测量中提取的产品表面上的一些采样位置。这些曲线的假设检验告知决策者当前精加工操作是否引起表面质量的变化。当检测到这种变化时,当前动作被认为是有效的,因此应该继续,而当没有检测到变化时,当前动作的有效性就受到质疑,这可能表明动作过程中发生了一些变化。应用假设检验为基础的决策程序,球面和平面的有效性和好处,所提出的方法,并确认其几何不可知的性质。
2022-05-06 stat.AP stat.ME
Positivity Validation Detection and Explainability via Zero Fraction Multi-Hypothesis Testing and Asymmetrically Pruned Decision Trees
Vianai Systems
积极性是从观察数据中进行因果推理的三个条件之一。验证积极性的标准方法是分析倾向的分布。然而,为了使非专家进行因果推理的能力民主化,需要设计一种算法来(i)测试积极性和(ii)解释协变量空间中缺乏积极性的地方。后者可以用来暗示进一步因果分析的局限性和/或鼓励违反积极性的实验。本文的贡献是首先提出了自动积极性分析的问题,其次提出了一个基于两步过程的算法。第一步,对协变量的倾向条件进行建模,然后使用多个假设检验来分析后者的分布,以创建积极违规标签。第二步使用非对称修剪的决策树来实现可解释性。后者被进一步转换为非专家可以理解的可读文本。我们证明了我们的方法上的一个大型软件企业的专有数据集。
2021-11-07 cs.LG stat.ME
Quantization of Prior Probabilities for Hypothesis Testing
贝叶斯假设检验研究假设的先验概率,作为一个随机向量,量化。最近邻和质心的条件,使用平均贝叶斯风险误差作为量化失真的措施。失真率函数的高分辨率近似也得到了。研究了隔离群体中的人类决策问题,假设贝叶斯假设检验与量化先验。
2008-05-28 cs.IT math.IT math.ST
Predicting fixed-sample test decisions enables anytime-valid inference
AI & Robotics Institute, Ellison Institute of Technology(艾利森技术学院人工智能与机器人研究所);Department of Statistics, University of Oxford(牛津大学统计系);University of Kent(肯特大学)
研究针对数据顺序到达时固定样本假设检验的问题,提出将其转变为随时有效检验的程序,通过预测固定样本量下拒绝原假设概率并阈值化得停止规则,能控制第一类错误、节省样本量,对临床试验等有重要意义。
2026-07-13 stat.ME stat.ML
A New Framework of Multistage Hypothesis Tests
Southern University and A&M College(南方大学及农工学院)
在本文中,我们已经建立了一个多阶段假设检验的一般框架,适用于任意多个相互排斥和详尽的复合假设。在新的框架内,我们已经构建了具体的多阶段测试,严格控制犯决策错误的风险,比以前的测试更有效的平均样本量和抽样操作的数量。在没有截断的情况下,我们的测试计划的样本数是绝对有界的。
2012-12-05 cs.LG math.PR math.ST
A Wild Bootstrap for Degenerate Kernel Tests
提出了一种基于核广义函数嵌入的非参数假设检验的Wild Bootstrap方法。这种引导方法是用来构建可证明的一致性测试,适用于随机过程,其中天真的置换为基础的引导失败。它适用于基于V-统计量的一大组核检验,这些检验在原假设下是退化的,而在其他地方是非退化的。为了说明这种方法,我们构造了一个双样本检验,一个瞬时独立性检验和一个多滞后独立性检验的时间序列。在实验中,野生引导程序在合成示例、音频数据和Gibbs采样器的性能基准测试中表现出色。
2016-09-27 stat.ML
Interpretable hypothesis tests
虽然假设检验在科学中发挥着重要作用,但对它们的解释可能具有挑战性。三个问题是:(i)难以根据假设检验的输出做出果断的决定,(ii)在多个假设检验中发生的逻辑矛盾,以及(iii)拒绝精确假设时可能缺乏实际重要性。这些问题可以通过使用不可知论的测试和务实的假设来解决。
2019-04-13 stat.ME
Finite blocklength and moderate deviation analysis of hypothesis testing of correlated quantum states and application to classical-quantum channels with memory
鞅浓度不等式是分析从概率统计到信息论和机器学习等广泛领域问题的有力数学工具。在这里,我们借用这个领域的技术,量子假设检验,这是区分属于两个不同的序列$\{ρ_n\}_{n}$和$\{σ_n\}_n$的量子态的问题。我们得到上界的有限块长度II型Stein和Hoeffding错误,其中,对于i.i.d.状态,一般比Audenaert,Mosonyi和Verstraete [Journal of数学物理,53(12),2012]获得的相应边界更紧。我们还推导出有限块长度的界限和适度的偏差结果对序列的相关状态满足(非齐次)因子分解性质。这样的序列的例子包括自旋链的吉布斯态与自旋不变的有限程相互作用,以及自旋相关的量子态。我们应用我们的研究结果找到一定的一类经典的容量上的界限-量子信道与内存,满足所谓的信道分解属性-无论是在有限的块长度和适度的偏差制度。
2017-03-05 cs.IT math.IT math.ST
Les p-values comme votes d'experts
p值通常被隐含地用作检验假设的证据度量。这一做法已经用不同的方法进行了分析。它通常被接受为片面假设问题,但它经常被批评为双边假设问题。我们用一种新的统计推断方法来分析这种做法。首先,我们选择好的决策规则,而不使用损失函数,我们称之为专家。然后在专家空间上定义一个概率分布。一个假设的证据的衡量标准是决定这个假设的专家的归纳概率。
2006-02-07 math.ST stat.TH
Sequential Experiment Design for Hypothesis Verification
University of Southern California(南加州大学)
假设检验在靶点定位、临床试验等方面具有重要的应用价值。许多活跃的假设检验策略分为两个阶段:探索阶段和验证阶段。在探索阶段,实验的选择是这样的,即对真实假设的置信度达到中等水平。随后的实验设计旨在将该假设的置信水平提高到期望水平。在本文中,重点是验证阶段。定义了一个置信度测度,并将主动假设检验问题转化为一个无限时域平均报酬部分可观测马尔可夫决策过程(POMDP)环境下的置信度最大化问题.最大化以特定假设为条件的置信度的问题被称为假设验证问题。建立了假设检验与验证问题之间的关系。验证问题可以用马尔可夫决策过程(MDP)来表示。验证MDP的最优解的特点和一个简单的启发式自适应策略的验证提出了基于零和博弈解释的库尔贝克-莱布勒散度。通过数值实验证明,与文献中现有的方法相比,该启发式算法在某些情况下表现得更好。
2018-12-04 cs.IT cs.LG math.IT
Distributed Hypothesis Testing over a Noisy Channel: Error-exponents Trade-off
研究了噪声信道下的双端分布式二元假设检验问题。这两个终端,称为观察者和决策者,每个都可以访问$n$独立和相同分布的样本,分别用$\mathbf{U}$和$\mathbf{V}$表示。观测器通过离散无记忆信道与决策器通信,决策器基于$\mathbf{V}$和从观测器接收的噪声信息对$(\mathbf{U},\mathbf{V})$的联合概率分布执行二元假设检验。研究了I类和第二类错误概率指数之间的折衷关系。得到两个内界,一个使用基于分离的方案,涉及基于类型的压缩和不平等的错误保护信道编码,和其他使用的联合方案,结合基于类型的混合编码。分离为基础的计划,以恢复内界获得的Han和Kobayashi的特殊情况下的速率限制的无噪声信道,也是作者以前获得的一个角点的权衡。最后,我们通过一个例子表明,联合计划实现了严格的严格严格的限制比分离为基础的计划的错误指数的权衡的一些点。
2023-02-06 cs.IT math.IT stat.OT
A hypothesis test of feasibility for external pilot trials assessing recruitment, follow-up and adherence rates
一项大型临床试验的效力可能会受到招募率、随访率和依从率低的不利影响。外部试点试验估计这些比率,并通过预先规定的决策规则使用它们来确定最终试验是否可行并应该继续进行。关于如何选择这些决策规则或试点的样本量,几乎没有方法学研究。在本文中,我们提出了一个确定性试验的可行性假设检验,适用于外部试点数据,并用于作出进展的决定。我们通过计划试验的力量,作为招募,随访和依从率的函数来量化可行性。我们使用该指标来定义在试点中进行检验的假设,提出了一个检验统计量,并展示了如何计算该检验的错误率,用于具有单一正态分布主要终点的双臂平行组确定性试验的常见场景。我们使用我们的方法来重新设计TIGA-CUB,一个外部试点试验,比较心理治疗与常规治疗行为障碍儿童。然后,我们扩展了我们的公式,包括使用试点数据来估计主要终点的标准差。并将其纳入进展决定中。
2019-08-15 stat.ME
Private Sequential Hypothesis Testing for Statisticians: Privacy, Error Rates, and Sample Size
Harvard John A. Paulson School Of Engineering And Applied Sciences(哈佛大学约翰·A·保尔森工程与应用科学学院);Georgia Institute of Technology(佐治亚理工学院);H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology(佐治亚理工学院H·米尔顿·斯图尔特工业与系统工程学院);Department of Industrial Engineering and Operations Research, Columbia University(哥伦比亚大学工业工程与运筹学系)
序贯假设检验问题是一类样本量事先不确定的统计分析问题。相反,决策过程顺序地接受新的观察结果,以做出实时决策,用于针对原假设测试备择假设,直到满足某个停止标准。在序贯假设检验的许多常见应用中,数据可能具有高度敏感性,可能需要隐私保护;例如,序贯假设检验用于临床试验,医生按顺序收集患者的数据,必须确定何时停止招募患者以及治疗是否有效。差分隐私领域已经发展为提供具有强隐私保证的数据分析工具,并且已经普遍应用于机器学习和统计任务。在这项工作中,我们研究了顺序假设检验问题下的一个轻微的变化的差分隐私,被称为Renyi差分隐私。我们提出了一个新的私有算法的基础上沃尔德的序贯概率比测试(SPRT),也给出了强有力的理论隐私保证。我们提供了理论分析的统计性能衡量的I型和第二类错误,以及预期的样本量。我们还在几个合成数据库上实证验证了我们的理论结果,表明我们的算法在实践中也表现良好。与以往的工作,私人假设检验,只集中在经典的固定样本设置,我们的结果在顺序设置允许的结论,以达到更早,从而节省了收集额外的样本的成本。
2022-04-10 cs.LG math.ST stat.ML
Anonymous Heterogeneous Distributed Detection: Optimal Decision Rules, Error Exponents, and the Price of Anonymity
我们探讨了在一个匿名的传感器网络与n个传感器和一个单一的融合中心的异构分布式检测的基本限制。融合中心从n个传感器中的每一个收集单个观测值以检测二进制参数。传感器被分成多个组,并且在给定的假设下,不同的组遵循不同的分布。融合中心面临的关键挑战是传感器的匿名性-尽管它知道每个组中传感器的确切数量和观测值的分布,但它不知道每个传感器属于哪个组。因此,很自然地将其视为复合假设检验问题。首先,我们提出了一个最佳的测试称为混合似然比测试的基础上的所有分布的均匀混合在一个假设下,根据其他的比率。最优性表明,首先认为对称测试是最优的,这不依赖于整个传感器的观测顺序,然后证明混合似然比测试是最优的所有对称测试。其次,我们专注于内曼皮尔逊设置和表征的错误指数的最坏情况下的第二类错误概率n趋于无穷大,假设在每个组中的传感器的数量是成比例的n。最后,我们推广我们的结果,找到所有可实现的I型和II型误差指数的集合,其中该区域的边界可以通过求解凸规划来获得。我们的研究结果阐明了异构分布式检测的匿名性的价格,并可以扩展到M-ary假设检验与异构观测根据隐藏的潜在变量。结果也适用于分布式检测下的拜占庭攻击,这表明传统的方法基于简单的假设检验可能过于悲观。
2018-07-29 cs.IT math.IT math.ST
Cost-aware Generalized $α$-investing for Multiple Hypothesis Testing
University of Massachusetts(马萨诸塞大学);University of Rhode Island(罗德岛大学);Bryant University(布莱恩特大学)
针对带数据收集成本的序贯多重假设检验问题,提出成本感知广义$\alpha$-投资决策规则,通过博弈建模优化预期$\alpha$-财富收益,自适应分配样本预算,在固定与非固定样本量及真实生物数据集上均表现更优。
2023-11-03 cs.LG stat.ME
Beyond Neyman-Pearson: e-values enable hypothesis testing with a data-driven alpha
本文提出用e值替代p值进行假设检验,证明e值能在数据驱动的事后决策设定下提供第一类风险控制,且是唯一可容许的决策规则,并讨论了其发展挑战。
2024-04-02 stat.ME
Order-2 Asymptotic Optimality of the Fully Distributed Sequential Hypothesis Test
本文分析了在无融合中心的传感器网络中,当I类和第二类错误率趋于零时,全分布式序贯假设检验过程的渐近性能。特别地,传感器网络由无向图定义,其中每个传感器可以随时间观察样本,访问来自相邻传感器的信息,并基于其自己的决策统计执行顺序测试。与大多数文献不同的是,在我们的框架中,采样过程和信息交换过程同时发生(或者至少在可比的时间尺度上),因此不能彼此解耦。考虑了两种消息传递方案,并在此基础上分别进行了分布式序贯概率比测试(DSPRT)。第一个方案的特点是散发原始样本。尽管基于样本传播的DSPRT在每个传感器处产生渐近最优性能,但由于原始样本与索引信息的交换,它会引起过多的传感器间通信开销。第二种方案采用了一致性算法,在传感器之间交换局部决策统计而不是原始样本,从而显着降低了通信要求相比,第一种方案。特别地,在每个传感器处的DSPRT的决策统计通过在每个消息传递步骤处的邻域中的决策统计的加权平均来更新。我们表明,在一定的正则条件下,基于一致性算法的DSPRT也产生了2阶渐近最优性能在所有传感器。
2016-06-14 cs.IT math.IT stat.AP
Online Control of the False Discovery Rate under "Decision Deadlines"
在线测试程序旨在控制一系列假设测试中错误发现的程度,允许早期测试结果影响后期测试假设的选择。通常,在线方法假设在进行下一个测试之前,必须做出关于当前测试的永久决定(拒绝或不拒绝)。相反,我们假设每个假设都需要立即做出初步决定,但也允许我们在预设的最后期限之前更新该决定。粗略地说,这让我们可以在假设的移动窗口上应用Benjamini-Hochberg类型的过程,其中即将到来的测试的阈值参数可以基于初步结果来确定。我们的方法控制的错误发现率(FDR)在每个阶段的测试,以及在自适应选择的停止时间。这些结果甚至适用于任意p值依赖结构。
2021-10-15 stat.ME stat.ML
Statistical hypothesis testing versus machine-learning binary classification: distinctions and guidelines
进行二元决策是科学研究和工业应用中常见的数据分析任务。在数据科学中,有两种相关但不同的策略:假设检验和二元分类。在实践中,如何在这两种策略之间做出选择可能不清楚,而且相当令人困惑。在这里,我们总结了这两种策略在三个方面的主要区别,并列出了五个实用的指导方针,供数据分析师根据特定的分析需求选择合适的策略。我们在癌症驱动基因预测的例子中展示了这些指导方针的使用。
2020-08-22 q-bio.QM stat.AP
Conformal Risk-Averse Decision Making with Action Conditional Guarantee
University of California, Berkeley(加州大学伯克利分校)
提出行动条件共形预测方法,通过分位数损失最小化算法实现行动条件风险价值优化,在有限样本下提供行动条件安全保证。
2026-06-11 cs.AI cs.LG stat.ML
Size-adaptive Hypothesis Testing for Fairness
CENTAI;Graz University of Technology(格拉茨技术大学);Sapienza University(拉瓦尔大学);EURECAT
本文提出一种统一的大小适应性假设检验框架,用于解决公平性评估中的统计决策问题,通过中央极限定理和贝叶斯方法提高小群体的估计精度。
2026-03-19 cs.AI cs.CY cs.LG
Sequential Hypothesis Test with Online Usage-Constrained Sensor Selection
本文研究了传感器在线选择和传感器使用约束条件下的序列假设检验问题。也就是说,在传感器网络中,融合中心通过每次选择一个“信息量最大”的传感器来顺序地获取样本,直到可以做出可靠的决策。特别地,传感器选择以在线方式进行,因为它取决于每次的所有先前样本。我们的目标是开发顺序测试(即,停止规则和决策函数)和传感器选择策略,其最小化受误差概率和传感器使用的约束的期望样本量。为此,我们首先重铸的使用约束的配方成贝叶斯最优停止问题与不同的采样成本的使用约束的传感器。贝叶斯问题,然后在有限和无限的地平线设置,基于此,可以很容易地建立原始的使用约束问题的最佳解决方案。此外,通过利用最优解的结构,得到了最优期望样本量的下界。此外,我们还提出了算法来近似评估的最佳序贯测试中的参数,使传感器的使用和错误概率的约束得到满足。最后,通过数值实验验证了理论分析的正确性,并与已有方法进行了比较.
2016-01-24 cs.IT math.IT stat.AP
Hypothesis Testing Approach to Detecting Collusion in Competitive Environments
人们越来越担心使用算法定价的默契勾结,监管机构需要工具来帮助检测这种勾结的可能性。本文研究如何设计一个假设检验框架,以确定是否代理人的行为竞争或没有。在我们的环境中,代理商是效用最大化和竞争的项目价格。监管者不知道代理人的效用函数,只能访问代理人的策略(即,定价决策)和外部冲击值,以确定代理人是否根据某些均衡问题在竞争中表现。我们利用制定这样的问题作为一个逆变分不等式和设计一个假设检验下的最小假设。我们证明了我们的方法与计算实验的Bertrand竞争游戏(有和没有勾结),并显示我们的方法如何执行。
2020-03-28 cs.GT math.OC stat.AP
Simultaneous test for Means: An Unblind Way to the F-test in One-way Analysis of Variance
本文提出一种将方差分析检验与两两比较合并为一步的决策限表达式,基于第二类贝塔分布和调整p值控制第一类错误,并通过模拟和实例验证其有效性。
2020-02-29 stat.ME
Decision-theoretic justifications for Bayesian hypothesis testing using credible sets
在贝叶斯统计中,精确点原假设$θ=θ_0$可以通过检查$θ_0$是否包含在可信集中来检验.这允许测试$θ=θ_0$,而不必对假设施加先验概率。虽然这种可信集的反演在贝叶斯推理中有很长的历史,但它们因缺乏决策理论的理由而受到批评。我们认为,这些测试有许多优势,比标准的贝叶斯检验,使用点质量概率的原假设。通过研究一个具有方向性结论的三判定问题,我们给出了中心可信区间的反演的决策理论证明,并在一个特殊情况下证明了HPD集。通过解释证明中所使用的损失函数,讨论了基于可信集的检验在什么情况下适用。然后,我们给出了一些理由,使用可信集测试复合假设时,可信集的基础上,在这种情况下,测试符合标准测试。
2012-12-17 math.ST stat.TH
Optimal Regret Exponents for Bayesian Statistical Decision Problems
School of Electrical Engineering, Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院电气工程学院)
研究有限状态有限动作贝叶斯统计决策问题,通过最小化不相容状态子集上的多元Chernoff信息,给出了任意损失函数下最优遗憾的精确指数,并首次得到列表假设检验的精确指数。
2026-06-08 cs.IT math.IT math.ST
Expertises : procédures statistiques d'aide à la décision
在这项研究中,我们介绍了一种新的方法,统计决策论。在不使用损失函数的情况下,我们选择好的决策规则来选择两个假设。我们称他们为“专家”。它们是全局无偏的,但也是有条件无偏的一个家庭的事件。我们并不试图定义最好的专家。我们在“专家”空间上定义了一个概率分布。一个假设的证据的度量是决定这个假设的专家的归纳概率,我们称之为“投票”。我们将这个观点与p值进行比较。对于某些假设族,“投票”可以定义参数空间上的概率。我们比较了这些结果与贝叶斯后验分布。我们详细研究实参数分布族与单调似然比和多参数指数族。
2006-02-27 math.ST stat.TH
The E-measure
Econometric Institute, Erasmus University Rotterdam(伊拉斯姆斯大学鹿特丹计量经济研究所)
本文提出E度量,作为E值在假设类中的推广,通过兼容公理定义,解决了假设闭包下的非主导性问题,并应用于决策和预测场景。
2026-04-22 math.ST stat.TH
Towards an unified theory for testing statistical hypothesis: Multinormal mean with nuisance covariance matrix
在多元正态分布下,任意未知协方差阵,本文的主要目的是提出一个框架,以达到协调贝叶斯,频率论和费舍尔范式的目标,对有限制的选择(封闭凸锥)的均值检验问题。通过d-容许性将Fisher的信念推断和Wald的决策论结合到一个统一的方法中,就可以达到这个目的.要继续进行,通过联合相交原理构建的测试进行了研究。
2019-12-21 math.ST stat.TH
Significance testing without truth
一种流行的显著性检验方法是决定给定的假设统计模型是否可能为真(或假)。统计决策论为这种方法提供了基础,它要求每一个显著性检验都要对所考虑的假设/模型的真实性做出决定。不幸的是,即使在考虑任何数据之前,许多有趣和有用的模型显然是错误的(也就是说,不完全正确)。幸运的是,在实践中,显著性检验只需要衡量观察到的数据与假设/模型的一致性(或不一致性),而不需要询问假设是否可能是真的(或假的),或者是否有其他选择可能是真的(或假的)。在这个实际的公式中,只有当在假设被检验的假设的同时计算概率时观察到的数据非常不可能时,显著性检验才拒绝假设/模型;显著性检验只衡量观察到的数据是否可能使假设无效,并且不能决定假设-无论多么无误地错误-在没有任何数据的情况下可能先验地错误。
2013-01-07 math.ST stat.ME stat.TH
Decision Theory and Large Deviations for Dynamical Hypotheses Tests: Neyman-Pearson, Min-Max and Bayesian Tests
我们分析假设检验使用经典的结果大偏差比较两个模型,每一个描述了不同的Hölder吉布斯概率测度。与决策论中的经典假设检验的一个主要区别是,这里的两个度量相对于彼此是奇异的。在其他目标中,我们感兴趣的是当样本量$n$趋于无穷大时,错误决策概率的衰减率。我们展示了一个动态版本的内曼-皮尔逊引理显示理想的测试在某一类类似的测试。当样本量达到无穷大时,与其他替代检验相比,该检验呈指数级更好。我们能够提出明确的指数衰减率。我们还考虑了Min-Max和某种类型的贝叶斯假设检验。我们将使用热力学形式主义的几种工具,在对数似然框架中考虑这些检验。还介绍了Stein引理的版本和Bauffff的信息。
2021-12-27 cond-mat.stat-mech math-ph math.DS
Equilibrium Distributions in Open and Closed Statistical Systems
在这篇通讯中,玻尔兹曼吉布斯和麦克斯韦分布的推导是从几何的角度来看,在等概率的假设。结果表明,这两种分布可以通过计算出的体积或表面的性质的相空间中限定的附加约束的相应的几何形状。也就是说,热力学极限中的渐近平衡分布与考虑开放或封闭的齐次统计系统无关。
2010-01-19 cond-mat.stat-mech math.ST nlin.CD
Testing the variety hypothesis
本文研究如何判定单位圆盘上的概率测度是否支撑在给定维数与次数的实代数簇附近,证明了样本复杂度上界,并将其归约为半代数判定问题。
2025-07-22 math.AG math.MG math.ST