Post-selection inference via algorithmic stability
通过算法稳定性进行选择后推断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：摘要研究通用选择后推断与算法稳定性，未指定因果、面板或其他所列领域的应用。
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
通过算法稳定性进行选择后推断
- 研究问题
- 当推断目标由同一数据驱动选择时，如何调整传统置信区间，使其获得选择后保证，并保持校正计算的可行性？
- 方法与思路
- 作者借鉴源于差分隐私的算法稳定性框架，通过随机化选择获得稳定性，再据此计算传统置信区间的选择后校正。
- 材料陈述的贡献
- 摘要称，稳定性可量化并足以产生非平凡的选择后校正；所提方法能够计算简单校正，无需马尔可夫链蒙特卡洛抽样。
- 阅读关注点
- 应核对稳定性的定义、随机化机制与区间覆盖保证，并查看校正幅度、选择规则限制及计算效率的具体依据。
- 阅读边界
- 仅据版本未注明的索引摘要，无法判断覆盖保证的条件、区间长度代价及适用选择程序，也未验证实际计算性能。
原文摘要
When the target of statistical inference is chosen in a data-driven manner, the guarantees provided by classical theories vanish. We propose a solution to the problem of inference after selection by building on the framework of algorithmic stability, in particular its branch with origins in the field of differential privacy. Stability is achieved via randomization of selection and it serves as a quantitative measure that is sufficient to obtain nontrivial post-selection corrections for classical confidence intervals. Importantly, the underpinnings of algorithmic stability translate directly into computational efficiency—our method computes simple corrections for selective inference without recourse to Markov chain Monte Carlo sampling.