文献

J-GLOBAL ID：201702213195328613   整理番号：17A0666135

2段階サンプリング,相関スクリーニングによる予測と適応回帰【Powered by NICT】

Two-Stage Sampling, Prediction and Adaptive Regression via Correlation Screening

著者 (3件)： Firouzi Hamed (Goldman Sachs Group, New York, NY, USA) ,  Hero Alfred O. (University of Michigan, Ann Arbor, MI, USA) ,  Rajaratnam Bala (UC Davis, Davis, CA)
資料名： IEEE Transactions on Information Theory  (IEEE Transactions on Information Theory)
巻： 63  号： 1  ページ： 698-714  発行年： 2017年 
JST資料番号： C0231A  ISSN： 0018-9448  CODEN： IETTAW  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 相関スクリーニング(SPARCS)による二段階サンプリング,予測,適応回帰と呼ばれる高次元における予算制限された予測器の設計のための一般的な適応手順を提案した。SPARCSは実験科学,医学,金融,工学における高次元予測問題に適用できる,により説明される。独立変数X=[X_1...,X_p]~T(分析バイオマーカー)のp次元集合に基づく従属変数Y(例えば疾患予後)のスパース多変量予測因子を学習するために,配列の実験を実行したいということを支持する。変数Xのフルセットを取得のコストはその次元における直線的に増加すると仮定する。標本抽出コストと予測性能間の最適トレードオフを達成するためにSPARCSはデータ収集を二段階に。第一段階では,数(n)高価な試料{y_i,x_i}_1=1~nを収集し,Xの全次元p≫nで,相互相関または回帰係数スクリーニングの型を用いた小さい次元l<pまで変数の数の唐箕処理。第二段階では,第一段階のスクリーニングを通過したL変数のより安価な試料のより大きな数(t n)を収集した。第二段階では,低次元予測因子は選択した変数の全てのt試料を用いた標準回帰問題を解くことにより構築した。SPARCSは選択された変数に対する偽陽性制御を実装し,小さい試料サイズによく適しており,高次元にスケーラブルであることを適応オンラインアルゴリズムである。ファミリーワイズ・エラー率の漸近限界を確立し,支援回収のための高次元収束速度を指定し,第一および第二段階に最適なサンプル配分ルールを確立した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： バイオマーカー ,  *相関 ,  金融 ,  *スクリーニング ,  データ収集 ,  *予測 ,  高次元
準シソーラス用語： 収束速度 ,  オンラインアルゴリズム ,  誤検出 ,  回帰係数 ,  相互相関 ,  予測性能 ,  予測因子 ,  予測器 , 【Automatic Indexing@JST】

分類 (1件)： 符号理論  (ND02030R)

タイトルに関連する用語 (6件)： 段階 ,  サンプリング ,  相関 ,  スクリーニング ,  予測 ,  適応