Oct, 2023

DeepFDR：一种基于深度学习的神经影像数据虚假发现率控制方法

PDF
TL;DR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。
voxel-based multiple testingspatial dependencefalse discovery ratedeepfdrneuroimaging data
发现论文，激发创造
  • 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

  • 虚警率回归：主视皮层神经同步检测的应用

    介绍了一种名为 “false-discovery-rate regression” 的方法，利用辅助信息直接提高测试结果的质量，进而增大了对细节精度的探测能力，虽然存在漏诊问题，但尽管如此，它具有广泛的适用性，且能为神经元电信号测试和分析等方面提供可能的解决方案。

    Jul, 2013

  • NeuralFDR: 从假设特征学习发现阈值

    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

  • 转化稀疏系数下的虚假发现率控制：分裂 Knockoffs

    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

  • 差分隐私假发现率控制

    该论文提出了第一个控制多重假设检验中的假阳性发现率的差分隐私程序，该程序基于 Benjamini-Hochberg 程序，并开发了一种新技术来证明一类多重检验过程的 FDR 控制。

    Jul, 2018

  • 隐私保证的自适应误发现率控制

    本文提供了一种不同 ially private AdaPT 控制方法，它可以在隐私保护下确切地控制经典的 FDR 指标，同时保证了误发现的小部分，其基于两个关键的 insights：1）一种新颖的 p 值转换方法，可以保护隐私和镜像保守性，2）一种镜像削皮算法，可以构建过滤和应用最优停止技术。

    May, 2023

  • 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

  • 交互式数据探索中控制虚假发现

    本文提出了一种名为 Aware 系统的解决方案，能够将多重假设检验控制集成到交互式数据探索工具中，通过实验证明 Aware 系统能够帮助专家和初学者高效地控制假发现率。

    Dec, 2016

  • 通过随机过程方法实现假阳性发现控制

    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

  • 在线控制假发现率和假发现超限

    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