Optimal Screening and Discovery of Sparse Signals with Applications to Multistage High Throughput Studies
稀疏信号的最优筛选与发现：多阶段高通量研究应用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：摘要围绕通用稀疏信号筛选和高通量研究，缺少对应所列经济计量细分方向的证据。
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
稀疏信号的最优筛选与发现：多阶段高通量研究应用
- 研究问题
- 在信号稀疏的大规模研究中，如何分别寻找几乎保留全部信号的最小子集，以及几乎只包含信号的最大子集？
- 方法与思路
- 作者利用相变图描述同时推断的基本极限，构造控制错误率的数据驱动筛选程序，并讨论多阶段高通量研究中的应用。
- 材料陈述的贡献
- 摘要称，论文刻画两种筛选任务的基本极限，提出具有近最优性质的程序，并阐明其与信号检测及多重检验的区别。
- 阅读关注点
- 核对两类筛选目标的数学定义、错误率与近最优性的衡量标准，以及相变所依赖的信号模型和多阶段实施条件。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未说明信号强度、依赖结构及近最优性的具体条件，不能据此判断任意高维问题的表现。
原文摘要
Summary A common feature in large-scale scientific studies is that signals are sparse and it is desirable to narrow down significantly the focus to a much smaller subset in a sequential manner. We consider two related data screening problems: one is to find the smallest subset such that it virtually contains all signals and another is to find the largest subset such that it essentially contains only signals. These screening problems are closely connected to but distinct from the more conventional signal detection or multiple-testing problems. We develop phase transition diagrams to characterize the fundamental limits in simultaneous inference and derive data-driven screening procedures which control the error rates with near optimality properties. Applications in the context of multistage high throughput studies are discussed.