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

提出了一种新的 $model$-$X$ knockoffs 框架，可以在高维逻辑回归中有效地控制假发现率，甚至可以在条件分布完全未知的情况下实现控制变量选择，并且在研究英国克罗恩病的病例对照研究中，与原始分析相比可以发现两倍的结果。

Oct, 2016

本文提出了一种基于 knockoff filter 的测试框架，用于在特征数量可能远远超过观测单元数量的高维线性模型中控制伪发现率，并在基因组关联研究中展示了其性能。

Feb, 2016

提出了一种基于误差的模型 - X knockoff 推断方法，结合 knockoff 特征、基于误差的特征重要性统计量和 stepdown 过程，以应对高维数据下的特征选择，并在模型无需指定的情况下，能够控制误发现比例（FDP）、FDR 或 k-FWER 的理论保证。经验证明了该方法在模拟和实际数据上均具有竞争力的性能。

Mar, 2022

本文扩展了模型无关窃取的方法，介绍了一种有效的算法来对隐藏马尔可夫模型进行采样，并说明与选择性框架相结合，可应用于基因组关联研究，并应用于研究克罗恩病和胆固醇水平等连续表型。

Jun, 2017

现代科学研究中，识别与结果相关的变量是一个常见目标。本研究介绍了一种基于条件预测函数 (CPF) 的变量选择方法，该方法能够捕捉预测变量与结果之间的非线性关系，并同时考虑特征之间的相关性，具有优于常见方法的选择功效。

Oct, 2023

基于深度依赖正则化 knockoff 的模型在虚假发现率 (FDR) 控制方面表现优异，特别是在样本量较小且数据分布复杂的情况下，对合成数据、半合成数据和真实世界数据都取得了更好的性能。

Feb, 2024

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

使用深度生成模型对数据进行采样，生成对偶特征，提供一种灵活、无需模型的统计工具，以执行可控的变量选择和突变分析

Nov, 2018

该研究探讨了如何使用基于贝叶斯网络的有效算法来生成 knockoffs，并开发了新的测试统计量以提高功率。

Jul, 2018