統計学輪講 第6回

本研究は、深層学習の柔軟性をもちつつ再現性の理論保証がある変数選択法を初めて構築する。
まず、確率的勾配降下法で学習された深層ニューラルネットワークの1層目重み行列がある仮定のもと各ステップで正規近似可能なことを示す。このことから深層学習ベースの変数選択法を新たに提案し、それが偽発見率（誤って選択した変数の割合）を既定水準以下に制御できることを証明する。その際の仮定として、任意の幅と層数、2層目以降に畳み込みや注意機構を許容するが、デザイン行列の右直交不変性を要求する。この仮定の緩和についても言及する。

Sawaya, K. (2026), “Provable FDR Control for Deep Feature Selection: Deep MLPs and Beyond.” In Proceedings of 29th International Conference on Artificial Intelligence and Statistics (AISTATS2026).