Hierarchical recognition of sparse patterns in large-scale simultaneous inference
大规模同时推断中稀疏模式的层次识别AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要属于通用多重决策与模式识别，决策树和层次结构不足以归入经济网络或预测细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
大规模同时推断中稀疏模式的层次识别
- 研究问题
- 在大规模含噪数据中，如何识别真实信号及其层次模式，并在提高真阳性数量的同时控制整体假阳性率？
- 方法与思路
- 作者建立决策理论框架，将稀疏模式识别表述为多棵决策树的同时推断问题，提出 oracle 与自适应分类器。
- 材料陈述的贡献
- 摘要称在整体假阳性率约束下最大化期望真阳性数量，并将多重检验扩展到多状态、层次决策和新错误率概念。
- 阅读关注点
- 应核对状态与层次结构的定义、整体错误率口径、oracle 信息要求，以及自适应分类器满足约束的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体最优性条件和自适应保证未说明，不能推断刊本变化。
原文摘要
We study how to separate signals from noisy data accurately and determine the patterns of the selected signals. Controlling the inflation of false positive errors is important in large-scale simultaneous inference but has not been addressed in the pattern recognition literature. We develop a decision-theoretic framework and formulate the sparse pattern recognition problem as a simultaneous inference problem with multiple decision trees. Oracle and adaptive classifiers are proposed for maximizing the expected number of true positives subject to a constraint on the overall false positive rate. Existing results on multiple testing are extended by allowing more than two states of nature, hierarchical decision-making and new error rate concepts.