会员服务
情景 · 可理解性 · 均值 · 统计方法 ·
2021 年 9 月 5 日
A Q-Q plot aids interpretation of the False Discovery Rate
翻译：假发现率的“QQ-Q”绘图辅助工具解释
N. W. Galwey
N. W. Galwey
from arxiv, I initially submitted this manuscript to bioRxiv, but received a response as follows: manuscript inappropriate for bioRxiv. ... might be better suited to arXiv. Therefore I am submitting the manuscript to arXiv. I guess that the manuscript was judged inappropriate for bioRxiv because it has no explicit biological content, though method presented is widely applicable in biology

A method is demonstrated for representing the false discovery rate (FDR) in a set of p-values on a quantile-quantile (Q-Q) plot of the p-values. Recognition of this connection between the FDR and the Q-Q plot facilitates both understanding of the meaning of the FDR, and interpretation of the FDR in a particular data set.


翻译：P-价值的微分-定量(Q-Q)图段的一套p值中显示假发现率(FDR)的方法,承认FDR和Q-Q图段之间的这种联系有助于理解FDR的含义和在特定数据集中对FDR的解释。
0
下载
关闭预览

相关内容

【ICML2021】蛋白质语言模型-MSA Transformer
专知会员服务
33+阅读 · 2021年8月16日
【ICML2021】有向图网络
专知会员服务
81+阅读 · 2021年5月10日
【干货书】机器学习速查手册，135页pdf
【干货书】机器学习速查手册，135页pdf
专知会员服务
125+阅读 · 2020年11月20日
【快讯】ICML 2020论文出炉，1088篇上榜， 你的paper中了吗？
【快讯】ICML 2020论文出炉，1088篇上榜， 你的paper中了吗？
专知会员服务
51+阅读 · 2020年6月1日
因果图，Causal Graphs，52页ppt
因果图，Causal Graphs，52页ppt
专知会员服务
246+阅读 · 2020年4月19日
【上海交大】可解释CNN的对象分类，Interpretable CNNs for Object Classification
专知会员服务
53+阅读 · 2020年3月14日
【上海交通大学-张拳石】可解释CNN，Interpretable CNNs for Object Classification
【上海交通大学-张拳石】可解释CNN，Interpretable CNNs for Object Classification
专知会员服务
44+阅读 · 2020年3月13日
【好书推荐】Python进阶中文版（Intermediate Python）（附下载），106页pdf
【好书推荐】Python进阶中文版（Intermediate Python）（附下载），106页pdf
专知会员服务
67+阅读 · 2019年10月28日
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
专知会员服务
34+阅读 · 2019年10月17日
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
专知会员服务
56+阅读 · 2019年10月17日
AI可解释性文献列表
AI可解释性文献列表
专知
42+阅读 · 2019年10月7日
【Awesome】最全的机器学习可解释性资料（machine-learning-interpretability）
【Awesome】最全的机器学习可解释性资料（machine-learning-interpretability）
专知
29+阅读 · 2019年3月1日
Disentangled的假设的探讨
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
[DLdigest-8] 每日一道算法
[DLdigest-8] 每日一道算法
深度学习每日摘要
4+阅读 · 2017年11月2日
【学习】(Python)SVM数据分类
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
可解释的CNN
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
【推荐】决策树/随机森林深入解析
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
【推荐】SVM实例教程
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
Overinterpretation reveals image classification model pathologies
Arxiv
0+阅读 · 2021年10月26日
False discovery rate control with e-values
Arxiv
0+阅读 · 2021年10月26日
Modal Functional (Dialectica) Interpretation
Arxiv
0+阅读 · 2021年10月22日
CausalVAE: Disentangled Representation Learning via Neural Structural Causal Models
Arxiv
17+阅读 · 2021年3月23日
Interpretable Sequence Classification via Discrete Optimization
Arxiv
8+阅读 · 2020年10月6日
Interpretable CNNs for Object Classification
Interpretable CNNs for Object Classification
Arxiv
20+阅读 · 2020年3月12日
Knowledge Distillation from Internal Representations
Knowledge Distillation from Internal Representations
Arxiv
4+阅读 · 2019年10月8日
Disentangled Person Image Generation
Arxiv
7+阅读 · 2018年1月21日
Interpretable Counting for Visual Question Answering
Arxiv
3+阅读 · 2017年12月23日
Interpretable Convolutional Neural Networks
Arxiv
4+阅读 · 2017年11月13日
VIP会员
文章信息
前往arXiv
下载PDF
相关主题
情景
可理解性
均值
统计方法
相关VIP内容
【ICML2021】蛋白质语言模型-MSA Transformer
专知会员服务
33+阅读 · 2021年8月16日
【ICML2021】有向图网络
专知会员服务
81+阅读 · 2021年5月10日
【干货书】机器学习速查手册，135页pdf
【干货书】机器学习速查手册，135页pdf
专知会员服务
125+阅读 · 2020年11月20日
【快讯】ICML 2020论文出炉，1088篇上榜， 你的paper中了吗？
【快讯】ICML 2020论文出炉，1088篇上榜， 你的paper中了吗？
专知会员服务
51+阅读 · 2020年6月1日
因果图，Causal Graphs，52页ppt
因果图，Causal Graphs，52页ppt
专知会员服务
246+阅读 · 2020年4月19日
【上海交大】可解释CNN的对象分类，Interpretable CNNs for Object Classification
专知会员服务
53+阅读 · 2020年3月14日
【上海交通大学-张拳石】可解释CNN，Interpretable CNNs for Object Classification
【上海交通大学-张拳石】可解释CNN，Interpretable CNNs for Object Classification
专知会员服务
44+阅读 · 2020年3月13日
【好书推荐】Python进阶中文版（Intermediate Python）（附下载），106页pdf
【好书推荐】Python进阶中文版（Intermediate Python）（附下载），106页pdf
专知会员服务
67+阅读 · 2019年10月28日
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
专知会员服务
34+阅读 · 2019年10月17日
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
专知会员服务
56+阅读 · 2019年10月17日
热门VIP内容
相关资讯
AI可解释性文献列表
AI可解释性文献列表
专知
42+阅读 · 2019年10月7日
【Awesome】最全的机器学习可解释性资料（machine-learning-interpretability）
【Awesome】最全的机器学习可解释性资料（machine-learning-interpretability）
专知
29+阅读 · 2019年3月1日
Disentangled的假设的探讨
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
[DLdigest-8] 每日一道算法
[DLdigest-8] 每日一道算法
深度学习每日摘要
4+阅读 · 2017年11月2日
【学习】(Python)SVM数据分类
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
可解释的CNN
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
【推荐】决策树/随机森林深入解析
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
【推荐】SVM实例教程
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
相关论文
Overinterpretation reveals image classification model pathologies
Arxiv
0+阅读 · 2021年10月26日
False discovery rate control with e-values
Arxiv
0+阅读 · 2021年10月26日
Modal Functional (Dialectica) Interpretation
Arxiv
0+阅读 · 2021年10月22日
CausalVAE: Disentangled Representation Learning via Neural Structural Causal Models
Arxiv
17+阅读 · 2021年3月23日
Interpretable Sequence Classification via Discrete Optimization
Arxiv
8+阅读 · 2020年10月6日
Interpretable CNNs for Object Classification
Interpretable CNNs for Object Classification
Arxiv
20+阅读 · 2020年3月12日
Knowledge Distillation from Internal Representations
Knowledge Distillation from Internal Representations
Arxiv
4+阅读 · 2019年10月8日
Disentangled Person Image Generation
Arxiv
7+阅读 · 2018年1月21日
Interpretable Counting for Visual Question Answering
Arxiv
3+阅读 · 2017年12月23日
Interpretable Convolutional Neural Networks
Arxiv
4+阅读 · 2017年11月13日
Top
微信扫码咨询专知VIP会员
Top