本文提出了一种用于估计贝叶斯分类器中的假阳性率的估计器，并对其进行了广泛的理论分析，包括一致性、无偏性、收敛速度和方差。此外，还通过利用去噪技术和 Nadaraya-Watson 估计器，开发了一种用于估计有噪声标签情况下的假阳性率的有效估计器。由于问题的对称性，我们的结果还能被直接应用于估计贝叶斯分类器的假阴性率。

Jan, 2024

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

在存在有错误标签（标签噪声）的验证集的情况下，我们考虑对二分类模型的伪阳性率（FPR）和真阳性率（TPR）进行估计的问题。我们的动机应用是防欺诈，其中准确估计 FPR 对于保护好顾客的经验至关重要，并且标签噪声是高度不对称的。现有方法旨在最小化清理过程中的总误差 - 以避免清理非噪声的示例，并确保清理噪声示例。这是一个重要的准确性度量，但不足以确保模型的真实 FPR 或 TPR 的良好估计，我们证明了即使总误差较低，使用模型直接清理其自身的验证数据也会导致低估。这表明研究人员需要追求不仅降低总误差，而且寻求将清理误差与模型评分去相关化的方法。

Aug, 2023

研究估计大量相互独立测试的零假设中的错误假设数量的问题，提出了一族方法来建立这种比例的下限置信区间，主要依据是测试的 p 值。这项工作的动机是在天文学中发生的一种信号检测问题。

Jan, 2005

本文考虑了如何在 H_1 ... H_s 的多重检验问题中控制 1 个或更多假设错误的发现，提出使用控制 K 个或更多错误发现的 k-FWER 替代 FWER，并构建了相应的单步和分层程序以及控制误发现比率的两种方法。

Jul, 2005

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

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

本论文提出一种鉴别器违反封闭世界假设的有效方法，该方法基于概率网络的假设检验拒绝了不确定的输出并实现了低误报率的要求。

May, 2021

建议弃用 NHST 范式和 p-value 替代其地位，作为一种证据，应该与其它因素一起考虑，包括先验证据、机制合理性、研究设计和数据质量、真实世界的成本和收益、发现的新颖性等。同时不应以统计显著性作为基本标准进行强行验证和报告。

Sep, 2017

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