Fused Lasso Based Segmenting and FDR-Controlled Change-Point Inference
연구 내용
Fused lasso signal approximator의 블록 구조 추정과 soft-thresholding을 결합하여 최소 과적합 조건을 보장하고, false discovery rate를 제어하는 튜닝을 설계해 변화점을 추정하는 연구
fused lasso signal approximator(FLSA)는 total variation 및 ℓ1-norm 패널티로 piecewise constant 평균을 블록 형태로 추정하는 smoothing 절차입니다. 본 연구에서는 정보기준형 조건을 통해 블록 추정의 과적합 최소성을 보장하는 성질을 정리하고, soft-thresholding 단계에서 예비 통계량을 활용해 false discovery rate를 목표 수준에 맞추는 선택 절차를 제안합니다. 또한 path algorithms의 hitting time 성질을 분석하고, monotonicity를 복원하는 pathwise adaptive FLSA로 변화점 복원 성능을 확보하여 코로나19 자료에 적용합니다.
관련 연구 성과
관련 논문
2편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기 연구에서는 FLSA의 fusion 절차와 soft-thresholding 절차를 분해하여 블록 구조 형성과 비영(0) 신호 식별이 어떻게 결합되는지에 집중했습니다. 이후에는 튜닝 파라미터 선택이 block 과적합에 미치는 영향을 정보기준형 성질로 정리하고, soft-thresholding 단계에서 false discovery rate를 제어하도록 새로운 선택 절차를 설계하는 방향으로 확장했습니다. 최근에는 stair-case block에서 발생하는 모델 선택 불일관성을 다루기 위해 modified path algorithms의 hitting time 성질을 분석하고, monotonicity를 회복하는 adaptive path를 제안한 뒤 변화점 추정에 적용하는 연구를 수행했습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Tuning parameter selection in fused lasso signal approximator with false discovery rate control
Path algorithms for fused lasso signal approximator with application to COVID‐19 spread in Korea