@techreport{oai:ipsj.ixsq.nii.ac.jp:00142412,
 author = {鈴村, 真矢 and 中川, 和也 and 津田, 宏治 and 竹内, 一郎 and Shinya, Suzumura and Kazuya, Nakagawa and Koji, Tsuda and Ichiro, Takeuchi},
 issue = {11},
 month = {Jun},
 note = {予測モデリングにおいて統計的に優位な高次交互作用効果を同定することは重要なタスクである．このタスクが困難であるのは，高次元の共変量が観測される問題では，すべての高次交互作用効果を考えると膨大な数となってしまうためである．このような膨大な候補のなかから統計的に有意な交互作用効果を見つけ出す問題は計算的にも統計的にも非常に難しい．本論文では，この問題に対処するため二段階アルゴリズムを考察する．まず初めに，marginal screening によって少数の高次交互作用特徴を選択し，その後，選択された特徴のみを用いて回帰分析を行う．近年提案された selective-inference と呼ばれる方法を用いることにより，特徴選択後の回帰モデルに関する統計的推論を効率的に行うための方法を構築する．数値実験により，提案法を用いることで，高次交互作用モデルの適切な統計的推論が現実的な計算時間で可能であることを示す．, Finding statistically significant high-order interaction features in predictive modeling is important but challenging task. The difficulty lies in the fact that, for a recent applications with high-dimensional covariates, the number of possible high-order interaction features would be extremely large. Identifying statistically significant ones from such a huge pool of candidates would be highly challenging both in computational and statistical senses. In order to work with this problem, we consider a two stage algorithm where we first select a set of high-order interaction features by marginal screening, and then make statistical inferences on the regression model fitted only with the selected features. Using a recently introduced framework called selective-inference, we develop an efficient algorithm for making valid statistical inferences on the post-regression model. The experimental results indicate that the proposed method allows us to reliably identify statistically significant high-order interaction features with reasonable computational cost.},
 title = {高次交互作用モデルのためのSelective Inference},
 year = {2015}
}