Making the Cut: Improved Ranking and Selection for Large-Scale Inference
划定入选名单：大规模推断中的排序与筛选改进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：摘要讨论通用大规模推断中的排序决策与经验贝叶斯方法，未指定资产、收益或其他所列应用领域。
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…
划定入选名单：大规模推断中的排序与筛选改进
- 研究问题
- 测量误差在单位之间不同时，如何排序并选出真正领先的单位，避免现有方法过度偏好低误差或高误差单位？
- 方法与思路
- 作者提出经验贝叶斯排序程序，结合单位后验上尾概率及其经验分布形成排序变量，以期提高真实与报告名单的重合。
- 材料陈述的贡献
- 摘要称该程序旨在对所有名单长度最大化预期重合，并在所研究模型中取得较好的操作表现，对高方差单位折扣较少。
- 阅读关注点
- 应核对真实领先单位的定义、经验贝叶斯分布估计方式，以及不同名单长度的重合最优性依赖哪些模型条件。
- 阅读边界
- 仅据 Crossref 摘要；改进限于所考察模型，未说明模型失配下表现、具体比较数值或不同稿件版本的变化。
原文摘要
Summary Identifying leading measurement units from a large collection is a common inference task in various domains of large-scale inference. Testing approaches, which measure evidence against a null hypothesis rather than effect magnitude, tend to overpopulate lists of leading units with those associated with low measurement error. By contrast, local maximum likelihood approaches tend to favour units with high measurement error. Available Bayesian and empirical Bayesian approaches rely on specialized loss functions that result in similar deficiencies. We describe and evaluate a generic empirical Bayesian ranking procedure that populates the list of top units in a way that maximizes the expected overlap between the true and reported top lists for all list sizes. The procedure relates unit-specific posterior upper tail probabilities with their empirical distribution to yield a ranking variable. It discounts high variance units less than popular non-maximum-likelihood methods and thus achieves improved operating characteristics in the models considered.