Detecting rare and faint signals via thresholding maximum likelihood estimators
通过阈值化极大似然估计检测稀少且微弱的信号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：摘要研究高维信号检测和生物数据多重检验，没有所列经济计量细分领域的直接依据。
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
通过阈值化极大似然估计检测稀少且微弱的信号
- 研究问题
- 在高维响应变量中，如何检测仅存在于少数维度且强度较弱的信号，并进一步识别哪些维度含有信号，例如多条件基因表达差异？
- 方法与思路
- 作者利用多维极大似然估计的新 Cramér 型中等偏差结果，对信号估计实施多层阈值化，并据此构造检测统计量与多重检验程序。
- 材料陈述的贡献
- 摘要称，论文在涵盖计数响应广义线性模型的框架中提出信号检测与识别方法，并以数值模拟和玉米 RNA 测序案例展示效果。
- 阅读关注点
- 应核对中等偏差结果的模型与维度条件、阈值层级和检验校准方式，以及多重检验控制何种错误率、模拟覆盖哪些信号配置。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；维度增长条件、检测边界及错误率保证未说明，不能据效果描述认定方法普遍占优。
原文摘要
Motivated by the analysis of RNA sequencing (RNA-seq) data for genes differentially expressed across multiple conditions, we consider detecting rare and faint signals in high-dimensional response variables. We address the signal detection problem under a general framework, which includes generalized linear models for count-valued responses as special cases. We propose a test statistic that carries out a multi-level thresholding on maximum likelihood estimators (MLEs) of the signals, based on a new Cramér-type moderate deviation result for multidimensional MLEs. Based on the multi-level thresholding test, a multiple testing procedure is proposed for signal identification. Numerical simulations and a case study on maize RNA-seq data are conducted to demonstrate the effectiveness of the proposed approaches on signal detection and identification.