Mar, 2021

转化稀疏系数下的虚假发现率控制：分裂 Knockoffs

PDF
TL;DR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。
false discovery ratevariable selectionlinear transformationdata splittingalzheimer's disease
发现论文，激发创造
  • 通过 knockoffs 控制误发现率

    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

  • 高维选择性推断的仿冒过滤器

    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

  • 用于 FDR 控制变量选择的自编码模拟生成器

    本文提出了一种模型无关的 knockoff 生成器，该生成器通过潜在变量表示近似特征之间的相关性结构，进而达到了对 FDR 的控制和更好的功效，可以在 HIV-1 患者中找到与药物抗性相关的突变。

    Sep, 2018

  • 通过控制假发现率适应未知稀疏性

    本文考虑了一种新的稀疏向量恢复方法，同时也提出了一种新型的假阳性控制，该方法不仅适用于多重检验，也能保证在包括模型选择在内的一些其他场景中对假阳性率进行控制，从而提高了模型的准确性和可靠性。

    May, 2005

  • 条件预测函数：用于复杂模型误报控制的新技术

    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

  • 基于模拟数据过滤器的群稀疏和多任务回归中的 FDR 控制

    本文提出了一种组合 knockoff 过滤方法，用于控制假发现率，可在回归分析环境中对分组特征进行选择，并考虑了组层面上的真假发现，相对于稀疏回归方法，该方法具有更高的功率。我们还将该方法应用于多任务回归问题，在其特征集合中，多个响应变量共享类似的稀疏模式，通过利用组结构，成功地控制了组层面上的假发现，并发现了更多的结果。

    Feb, 2016

  • 基于误差的 Knockoffs 推断用于受控特征选择

    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

  • DeepDRK: 深度依赖规范化 Knockoff 用于特征选择

    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

  • 结构化、回归和在线场景中误发现比例同时具有高概率界限

    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

  • 虚假发现率平滑

    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