Harnessing the collective wisdom: fusion learning using decision sequences from diverse sources
汇聚集体智慧：利用多来源决策序列的融合学习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：摘要聚焦多重检验证据融合与元分析，未明确涉及所列特定计量领域。
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…
汇聚集体智慧：利用多来源决策序列的融合学习
- 研究问题
- 当不同研究报告的信息层级不同，有的提供汇总统计量、有的仅提供检验拒绝决策时，如何融合证据并控制整体错误发现率？
- 方法与思路
- 作者将二元检验决策转化为复合 e 值，构建整合排序与阈值选择框架，融合多来源发现，并讨论其他第一类错误控制指标。
- 材料陈述的贡献
- 摘要称，在各项研究保持其相应错误发现率控制水平的前提下，该框架能够控制总体错误发现率，并适用于信息不完整的元分析。
- 阅读关注点
- 应核对复合 e 值的定义、决策序列需提供哪些信息、研究间依赖的处理，以及单项研究的控制条件如何传递至融合结果。
- 阅读边界
- 仅据所给 Crossref 摘要；研究间依赖限制、融合规则与功效结果未说明，不能认为任意组合已控制错误发现率的结果都会保持总体控制。
原文摘要
Summary We introduce an integrative ranking and thresholding framework for fusing evidence from multiple testing procedures. The key innovation is a method that transforms binary testing decisions into compound $ e $-values, enabling the combination of findings across diverse data sources or studies. We demonstrate that our new framework ensures overall false discovery rate control, provided that the individual studies maintain their respective false discovery rate levels. The proposed approach is highly flexible and offers a powerful method for fusing inferences in meta-analyses where some studies report summary statistics while the rest reveal only the rejections under a prespecified false discovery rate level. Extensions to alternative Type I error control measures are explored.