抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
科学者は,信号を同時に局所化し,発見しなければならない。例えば,遺伝的微細マッピングにおいて,近隣の遺伝的変異体間の高い相関は,原因変異体の正確な位置を同定することを困難にする。従って,統計的タスクは,できるだけ小さな信号を含む多くの互いに素な領域として出力することであり,一方,偽陽性を制御する。同様の問題は,信号が,天文学的調査における恒星の位置決めや逐次データにおける変化点検出のような完全に局所化できない任意のアプリケーションにおいて生じる。これらの問題に対する共通のBayes手法は,信号位置上の事後分布の計算を含む。しかし,これらの後部を信号のために実際の信用領域に変換する既存の手続きは,後部におけるすべての情報を捉えることに失敗し,低電力と(時間)膨張偽発見をもたらす。この動機により,Bayes線形計画法(BLiP)を導入した。信号上の事後分布を考えれば,BLiPは,偽の正値を制御しながら,予想電力を確かに最大化する信号に対して信頼できる領域を出力する。BLiPは,非常に高次元で非凸問題を克服し,偽陽性を制御しながら,期待電力を検証できる。BLiPは,事後計算のコストと比較して,非常に計算的に効率的であり,ほぼ任意のBayesモデルとアルゴリズムの周りにラップできる。BLiPを英国バイオバンクデータ(遺伝的微細マッピング用)とSloanディジタルスカイ調査(天文点源検出用)の既存の最先端の分析に適用することは,追加計算のほんの数分で30-120%増加した。BLiPはpyblip(Python)とblipr(R)に実装される。【JST・京大機械翻訳】