该研究提出了一种基于经验贝叶斯方法的误发现率平滑技术，利用空间结构解决大规模多重检验问题，对显著性测试统计量的空间本地化区域自动降低统计显著性阈值，从而提高功率和减少噪声干扰。该方法需要解决非标准高维优化问题，但在模拟研究和 fMRI 实验数据上表现出了现有空间依赖多重检验方法所无法比拟的鲁棒性能优势，代码已公开在 Python 和 R 平台上。

Nov, 2014

本研究提出了 DeepFDR，一种新的空间 FDR 控制方法，利用无监督的基于深度学习的图像分割来解决基于体素的多重检验问题，在综合模拟和老年痴呆症 FDG-PET 图像分析的数值研究中，表明 DeepFDR 相对于现有方法具有明显的优势，不仅在 FDR 控制和减少错误的非发现率方面表现出色，而且在处理大规模神经影像数据方面具有极高的计算效率。

Oct, 2023

在这篇论文中，我们提出了一种新的同时 FDP（假发现比例）边界类，该类针对嵌套拒绝集序列进行了量身定制。我们的有限样本、闭合形式边界是基于改变每个以上环节的假阳性发现率（FDR）控制程序中的 FDP 估计的。

Mar, 2018

本研究提出了一个名为 NeuralFDR 的算法，以处理具有多维离散和连续特征的多个假设测试，该算法可以自动学习作为所有假设功能的功能的发现阈值，并证明其具有强大的错误发现率保证。

Nov, 2017

本文介绍了一种新的变量选择方法 —— 模拟变量过滤器，该方法可以在有足够观测值的情况下控制统计线性模型中的假发现率，并且可以与 Lasso 统计量配合使用，能够大大提高在控制空变量比例高的情况下的功效。

Apr, 2014

本文采用虚拟发现率方法对大规模问题进行大小和功率计算，使用一种简单的经验贝叶斯方法，推导估计虚假发现率公式并使用两个微阵列数据集和模拟评估方法。

Oct, 2007

本文中，我们开发了一个统计框架来建模和检测标注者的位置偏差，并采用新型 knockoff 过滤器和基于反比例尺度动力学的算法来控制虚警率，为定量研究众包数据中的标注者异常行为提供了一种有用的工具。

May, 2016

该论文提出了一种适应数据的方法，即 Split Knockoff 方法，采用变量和数据分割，从而实现在线性变换稀疏性约束下控制假发现率，在阿尔茨海默病的结构磁共振成像数据集中可以发现萎缩的脑区以及其异常连接。

Mar, 2021

该论文扩展了 Benjamini 和 Hochberg 的虚假发现率理论，提出了一种以虚假拒绝比例为随机过程的框架，并构建了整个虚假发现比例过程的置信区间，从中推导出置信阈值，控制虚假发现的数量以及量化虚假发现的分布。

Jun, 2004

这篇论文研究了在线控制 FDR 的问题，提出了一种广义的 Alpha-investing 过程，并证明了在规定条件下其能控制 FDR 同时也能控制假阳性探查率，并进一步开发了一组修改版的程序，以控制异常假发现的问题。

Mar, 2016