Controlling the False Discovery Rate via Model-Agnostic Importance Measures
Nankai University(南开大学);Shanghai Jiao Tong University(上海交通大学)
本研究提出了一种名为MAS的模型不可知选择方法,通过样本拆分策略和新颖的agent-X重要性度量,在规避协变量分布假设的同时控制错误发现率,经模拟和真实数据验证其性能具有竞争力。
2026-10-16 stat.ME stat.ML
Aggregating Knockoffs for False Discovery Rate Control with an Application to Gut Microbiome Data
最近的发现表明,我们的肠道微生物组在我们的健康和福祉中起着重要作用。然而,肠道微生物组数据是复杂的;例如,肠道中的微生物多样性使数据高维。虽然有专门的高维方法,如套索估计,但它们总是有错误发现的风险。仿制品是控制错误发现数量的最新方法。在本文中,我们表明,仿冒品可以聚集起来,以增加权力,同时保持对错误发现的尖锐控制。我们在理论和模拟方面都支持我们的方法,并且我们表明它可以导致美国肠道项目微生物组数据的新发现。特别是,我们的研究结果表明,迄今为止被忽视的几个门与肥胖有关。
2021-03-01 q-bio.QM stat.AP stat.ME
False Discovery and Its Control in Low Rank Estimation
由低秩矩阵指定的模型在当代应用中是普遍存在的。在许多这些问题域中,低秩矩阵的行/列空间结构携带关于一些基本现象的信息,并且在推理设置中评估估计的低秩矩阵的行/列空间在多大程度上表示关于该现象的发现是有意义的。然而,与变量选择相反,我们缺乏一个正式的框架来评估低秩估计中的真/假发现;特别是,困难的关键来源是发现的标准概念是离散的,不适合低秩矩阵的平滑结构。我们解决这个挑战,通过几何重新表述的概念的发现,然后使一个自然的定义在低秩的情况下。我们描述和分析了一个推广的稳定性选择方法的Meinshausen和Bühlmann控制错误的发现,在低秩估计,我们证明了它的效用相比,以前的方法通过数值实验。
2020-06-19 stat.ME
Efficient Predictor Ranking and False Discovery Proportion Control in High-Dimensional Regression
我们提出了一个排序和选择程序,优先考虑相关的预测和控制错误发现比例(FDP)的变量选择。我们的程序采用了一种新的排名方法,建立在去稀疏化的Lasso估计。我们表明,新的排名方法实现了最佳顺序的最小非零效应排名相关的预测提前无关的。采用新的排序方法,我们开发了一个变量选择过程,渐近控制FDP在用户指定的水平。我们表明,我们的程序可以一致地估计变量选择的FDP,只要去稀疏Lasso估计是渐近正态的。在数值分析中,当回归模型相对稀疏时,我们的方法在排序效率和FDP控制方面优于现有方法。
2018-12-11 stat.ME
Controlling False Discovery Rate Using Gaussian Mirrors
同时发现多个影响变量并控制线性回归模型的错误发现率是一个基本问题。我们在这里提出了高斯镜像(GM)方法,它通过添加和减去随机生成的高斯扰动为每个预测变量创建一对镜像变量,并继续使用某种回归方法,例如普通最小二乘法或Lasso(镜像变量也可以在选择后创建)。镜像变量自然导致有效控制FDR的检验统计量。在一个温和的假设下,协变量之间的依赖关系,我们表明,FDR可以控制在任何指定的水平渐近。我们还证明,通过广泛的数值研究,GM方法是更强大的比许多现有的方法选择相关变量的FDR控制,特别是当协变量高度相关的情况下,有影响力的变量并不过于稀疏。
2021-03-19 stat.ME
False Discovery Proportion control for aggregated Knockoffs
针对高维变量选择中Knockoffs仅控制期望假发现率的问题,提出KOPI方法控制实际假发现比例,并通过新型聚合降低随机性,在模拟和真实数据上取得更优功效与权衡。
2023-10-16 stat.ME
Estimation and false discovery control for the analysis of environmental mixtures
环境混合物的分析在环境流行病学中越来越重要,这种分析的关键目标之一是确定与不利健康结果相关的暴露及其相互作用。典型的方法利用灵活的回归模型结合变量选择,以确定重要的风险敞口,并估计与感兴趣的结果的潜在非线性关系。尽管这种兴趣激增,但迄今为止还没有任何方法可以在识别暴露和相互作用的同时控制暴露选择方面的任何形式的错误率。我们提出了两种新的方法来估计环境混合物的健康影响,同时1)估计和提供有效的推断的整体混合物的效果,2)确定重要的暴露和相互作用,同时控制错误发现率。我们表明,这可以导致大量的功率增益,以检测环境暴露的微弱影响。我们将我们的方法应用于持久性有机污染物的研究,发现我们的方法能够识别比现有方法更多的相互作用。
2021-03-18 stat.ME
False Variable Selection Rates in Regression
最近有兴趣将错误发现率(FDR)的思想扩展到回归设置中的变量选择。传统上,在这些设置中的FDR已经根据全回归模型的系数来定义。最近的论文一直在努力控制这个数量时,预测相关。本文表明,这个完整的模型定义的FDR遭受不直观的和潜在的不良行为的存在相关的预测。我们提出了一个新的错误选择错误的标准,错误的可变率(FVR),避免了这些问题,并表现在一个更直观的方式。我们讨论了这个标准的行为,以及它如何与传统的FDR相比,以及提出的指导方针,以确定在特定的环境中是适当的。最后,我们提出了一个简单的估计程序FVR逐步变量选择。我们分析了这种估计的性能,并在文献中最近的估计连接。
2013-02-10 stat.ME
Network knockoffs: controlling false discovery in dyadic space
The University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Montana(蒙大拿大学);Trout Unlimited(鳟鱼无国界)
提出一种直接在拓扑网络上模拟合成特征的knockoff变量选择方法,以在高维二元回归中控制错误发现率。
2026-05-29 stat.AP stat.ME
Variable Selection via Adaptive False Negative Control in Linear Regression
变量选择方法已经在线性回归中发展以提供稀疏解。最近的研究集中在稀疏解的进一步解释方面的假阳性控制。在本文中,我们考虑假阴性控制变量选择的目标是有效地选择高比例的相关预测。与已有的功效分析和确定性筛选研究不同,本文提出直接估计决策规则的假阴性比例(FNP),并选择估计的FNP小于用户指定的控制水平的最小预测子集。所提出的方法是自适应的用户指定的控制水平上FNP通过选择较少的候选人,如果一个更高的水平被实施。另一方面,当数据具有更强的效应量或更大的样本量时,所提出的方法更有效地控制FNP,具有更少的假阳性。新的分析技术的开发,以应付FNP控制的主要挑战时,相关的预测不能始终从无关的。我们的数值结果与理论结果是一致的。
2019-11-22 math.ST stat.TH
False Discovery Rate Control for Fast Screening of Large-Scale Genomics Biobanks
针对大规模基因组学生物样本库筛选中假阳性高、现有方法计算慢的问题,提出无需额外调参的快速FDR控制方法Screen-T-Rex,性能更优且计算时间远低于基准方法。
2024-10-07 stat.ME
Bi-Gaussian Mirrors for False Discovery Rate Control
The Hong Kong Polytechnic University(香港理工大学)
本文提出双高斯镜像方法,解决高维数据中复杂依赖下的FDR控制问题,克服传统方法局限,理论和实验证明其在FDR控制与检验效能间取得良好平衡。
2026-04-27 stat.ME
A Bandit Approach to Multiple Testing with False Discovery Control
University of Washington(华盛顿大学);Optimizely
我们提出了一个自适应抽样方法的多重检验,其目的是最大限度地提高统计功效,同时确保随时错误发现控制。我们考虑$n$分布,其均值根据它们是否低于或等于基线(空值)与高于基线(实际阳性)进行划分。此外,每个分布可以顺序地和重复地采样。受多臂强盗文献的启发,我们提供了一种算法,该算法采用尽可能少的样本来超过目标真阳性比例(即发现的实际阳性比例),同时随时控制假发现比例(预测为空值)实际阳性)。我们的样本复杂度结果匹配已知的信息理论的下限,并通过模拟,我们表现出实质性的性能改善均匀采样和自适应消除风格的算法。鉴于该方法的简单性及其样品效率,该方法有望在生物科学,药物发现的临床测试和在线A/B/n测试问题中广泛采用。
2019-07-16 cs.LG stat.ML
Knockoffs-based False Discovery Rate Control and Simplification for Deep Neural Networks
bnbu.edu.cn(北京理工大学)
本文基于knockoff方法和正则化神经网络,提出了三种在控制错误发现率条件下的变量筛选方法(单层过滤、多层过滤、变量权重聚合过滤),以简化深度神经网络并降低计算复杂度。
2026-06-18 cs.LG stat.ML
A New Perspective on Pool-Based Active Classification and False-Discovery Control
Paul G. Allen School of Computer Science & Engineering(保罗·G·艾伦计算机科学与工程学院);University of Washington, Seattle, WA(华盛顿大学)
在许多科学环境中,需要自适应试验设计来指导识别搜索空间的区域的过程,这些区域包含尽可能多的真阳性,但错误发现(即错误警报)的比率很低。搜索空间的这些区域可能与最小化0/1误差的预测集有很大不同,并且准确识别可能需要非常不同的采样策略。像二进制分类的主动学习一样,这种试验设计不能先验地选择最佳,而是必须顺序地和自适应地获取数据。然而,与具有0/1错误的分类不同,自适应地收集数据以找到具有高真阳性率和低错误发现率(FDR)的集合还没有被很好地理解。在本文中,我们提供了第一个可证明的样本有效的自适应算法,这个问题。一路上,我们强调分类,组合土匪,和FDR控制之间的联系,使每个贡献。
2020-08-14 cs.LG stat.ML
The Trustworthy Pal: Controlling the False Discovery Rate in Boolean Matrix Factorization
TU Dortmund(多特蒙德工业大学)
布尔矩阵分解(BMF)是一种流行的和强大的技术,用于从数据中推断知识。挖掘结果是两个矩阵的布尔乘积,近似于输入数据集。布尔积是秩为1的二进制矩阵的析取,每个矩阵描述一组样本的特征关系,称为模式。然而,不能保证任何返回的模式实际上不是由噪声引起的,即,是错误的发现。在本文中,我们提出并讨论了在无监督BMF设置的错误发现率的使用。我们证明了两个边界的概率,发现模式是随机Bernoulli分布的噪声。每一个边界利用了一个特定的属性的分解,最大限度地减少近似误差-产生新的见解布尔矩阵分解的最小化。这导致了改进的BMF算法,取代启发式排名选择技术与理论上良好的基础上的方法。我们的实证表明,这两个界限提供了良好的结果,在各种实际设置。
2019-07-01 cs.LG stat.ML
Controlling False Discovery Rates under Cross-Sectional Correlations
New York University(纽约大学);Nomura Asset Management Co.(野村资产管理公司);Temple University(天普大学)
我们考虑控制错误发现率来测试许多具有未知横截面相关结构的时间序列。如果有大量的假设,错误和遗漏的发现可能会困扰分析。虽然已经提出了许多程序来控制错误的发现,他们中的大多数要么假设独立的假设或缺乏统计功效。一个特别令人感兴趣的问题是金融资产定价,其目标是确定哪些“因素”导致大量潜在因素的超额回报。我们的贡献是双重的。首先,我们证明了Fama和French的突出方法在多重检验下的一致性。其次,我们提出了一种新的方法,错误发现控制使用双引导。我们实现了优越的统计功效,现有的方法,并证明了错误发现率的控制。仿真和实际数据的应用表明,我们的方法比现有的方法的有效性。
2021-06-09 cs.AI cs.LG stat.ME
Knockoffs for the mass: new feature importance statistics with false discovery guarantees
Stanford University(斯坦福大学)
机器学习和统计学中的一个重要问题是识别对结果产生因果影响的特征。这通常不可能从纯粹的观测数据中做到,自然的放松是识别与结果相关的特征,甚至以所有其他观测特征为条件。例如,我们想确定吸烟是否真的与人口统计学上的癌症有关。山寨过程是统计学上的一个新突破,从理论上讲,它可以识别真正相关的特征,同时保证错误的发现是有限的。这个想法是创建合成数据--仿制品--来捕捉特征之间的相关性。然而,有大量的计算和实际的挑战,以产生和使用仿制品。本文取得了几项关键进展,使仿制应用程序更加高效和强大。我们开发了一个有效的算法来生成有效的仿冒贝叶斯网络。然后,我们系统地评估山寨检验统计量,并开发新的统计与改进的权力。本文结合了新的数学保证与系统的实验真实和合成数据。
2019-05-29 cs.LG stat.ML
Structure Learning from Time Series with False Discovery Control
Program in Applied and Computational Mathematics, Princeton University(普林斯顿大学应用与计算数学项目);IBM Research(IBM研究)
本文研究了基于时间序列数据的Granger因果结构学习问题。Granger因果算法通过测试一个变量的预测误差是否在预测协变量中不存在另一个变量的情况下显著降低来预测两个变量之间的“Granger因果效应”。几乎所有现有的格兰杰因果算法的条件下,大量的变量(所有,但两个变量),以测试一对变量之间的影响。我们提出了一个新的结构学习算法称为MMPC-p的启发著名的MMHC算法的非时间序列数据。我们表明,在一些假设下,该算法提供了错误发现率控制。该算法是健全的和完整的,当访问完美的有向信息测试神谕。我们还概述了一个新的测试器的线性高斯的情况下。我们通过大量的实验表明,MMPC-p算法可扩展到更大的问题,并提高了统计功效相比,现有的最先进的大型稀疏图。我们还将我们的算法应用于全球发展数据集,并与主题专家一起验证我们的发现。
2018-05-24 cs.LG stat.ML
CDfdr: A Comparison Density Approach to Local False Discovery Rate Estimation
Efron等人(2001)提出了频率论Benjamini和Hochbergs错误发现率方法(Benjamini和Hochberg,1995)的经验贝叶斯公式。本文试图用比较密度和分布函数的概念来统一“两种文化”。我们还展示了几乎所有现有的局部FDR方法都可以被看作是提出了各种模型规格的比较密度-在一个概念和符号下统一了大量的错误发现方法的文献。
2013-08-11 math.ST stat.AP stat.ME
Online Rules for Control of False Discovery Rate and False Discovery Exceedance
University of Southern California(南加州大学);Stanford University(斯坦福大学)
多重假设检验是统计推断中的一个核心问题,几乎在各个科学领域都有出现。Benjamini和Hochberg在给定一组零假设$\mathcal{H}(n) = (H_1,\dotsc, H_n)$的情况下,引入了假发现率(FDR),即被拒绝的零假设中假阳性的预期比例,并提出了一种将FDR控制在预先指定的显着性水平以下的检验方法。FDR是目前大规模多重假设检验的首选准则。在本文中,我们考虑的问题,控制FDR在一个“在线的方式”。具体地说,我们考虑一个有序的-可能是无穷序列的零假设$\mathcal{H} = (H_1,H_2,H_3,\dots )$,在每一步$i$,统计学家必须决定是否拒绝假设$H_i$只能访问以前的决定。这个模型是由Foster和Stine提出的。我们研究了一类“广义阿尔法投资”的程序,并证明,在这个类中的任何规则控制在线FDR,提供$p$ -值对应于真正的空值是独立于其他$p$ -值。(早期的工作仅建立了mFDR控制。接下来,我们得到的条件下,广义α投资控制FDR在一般$p$值的依赖关系的存在。最后,我们开发了一套修改后的程序,也可以控制错误发现的比例(尾部的错误发现)。数值模拟和分析结果表明,在线程序不会招致大量的损失,在统计功率相对于离线的方法,如Benjamini-Hochberg。
2017-07-06 cs.LG math.ST stat.AP
Membership Inference Attacks with False Discovery Rate Control
Department of Computer Science(计算机科学系);Iowa State University(爱荷华州立大学)
针对成员推理攻击(MIAs)难以控制错误发现率(FDR)的挑战,本文提出一种可作为包装器与现有MIA方法无缝集成的新颖攻击方法,提供FDR及边际概率保证,并通过理论分析和多场景实验验证了其性能。
2025-08-09 cs.CV cs.LG stat.ML
Finite Resources False Discovery Rate Control in Structured Hypothesis Spaces
Technion – Israel Institute of Technology(技术学院 – 以色列理工学院);NVIDIA
针对有限空分布样本和结构化假设空间,提出基于再生核的框架,通过两种决策规则在精确FDR控制与统计功效间权衡,并优化资源分配。
2026-06-16 cs.LG stat.ME stat.ML
Learning False Discovery Rate Control via Model-Based Neural Networks
The Hong Kong University of Science and Technology(香港理工大学);Technische Universität Darmstadt(德累斯顿理工大学)
本文提出基于模型的神经网络方法,改进T-Rex选择器框架,以更精确地控制FDR并提高发现能力。
2026-02-05 cs.LG eess.SP stat.ME
PAPRIKA: Private Online False Discovery Rate Control
Georgia Institute of Technology(佐治亚理工学院);University of Waterloo(滑铁卢大学)
在假设检验中,当由于样本中的噪声而错误地拒绝假设时,会发生错误发现。当自适应地测试多个假设时,错误发现的概率随着执行更多的测试而增加。因此,错误发现率(FDR)控制的问题是找到一个程序,用于测试多个假设,考虑这种影响,在确定一组假设拒绝。目标是最小化错误发现的数量(或分数),同时保持高的真阳性率(即,正确的发现)。本文研究了样本差异隐私约束下多假设检验中的错误发现率控制问题。与以前在这个方向上的工作不同,我们专注于在线设置,这意味着必须在执行测试后立即做出关于每个假设的决定,而不是像离线设置那样等待所有测试的输出。我们提供了新的私人算法的基础上,国家的最先进的非私人在线FDR控制的结果。我们的算法对隐私和统计性能具有强有力的可证明保证,这些性能由FDR和功率来衡量。我们还提供了实验结果来证明我们的算法在各种数据环境中的有效性。
2020-10-21 cs.CR cs.DS cs.LG
Online false discovery rate control for anomaly detection in time series
EPFL(洛桑联邦理工学院);Amazon Research(亚马逊研究院)
本文提出了新的规则,错误发现率控制(FDRC)面向在线异常检测时间序列。在线FDRC规则允许控制一系列统计测试的属性。在异常检测的上下文中,原假设是观察结果是正常的,而替代假设是观察结果是异常的。FDRC规则允许用户在无监督设置中设定精度下限。本文提出的方法克服了以往FDRC规则在异常检测方面的不足,特别是确保功率保持较高,即使当替代方案非常罕见(异常检测中的典型)和测试统计量是连续依赖的(时间序列中的典型)。我们在理论和实验中证明了这些规则的合理性。
2021-12-06 cs.LG math.ST stat.ML
Online Individualized Treatment Selection under Partial Feedback: False Discovery Control and Minimax Optimality
Center for Data Science, Zhejiang University(浙江大学数据科学中心);Department of Statistics, University of Michigan(密歇根大学统计系)
本研究针对部分反馈下的在线个体化治疗选择问题,提出PAITS方法,实现错误发现率控制与极小极大最优性,经模拟和Jester数据集验证其有限样本性能。
2026-10-14 cs.LG stat.ME stat.ML
Nonparametric IPSS: Fast, flexible feature selection with false discovery control
Harvard T.H. Chan School of Public Health(哈佛T.H. Chan公共卫生学院);Duke University(杜克大学)
本文提出非参数IPSS特征选择方法,通过将集成路径稳定性选择应用于任意特征重要性分数实现有限样本错误发现控制,其IPSSGB和IPSSRF变体在模拟和癌症数据上均优于现有方法。
2025-07-16 cs.LG stat.AP stat.ME
DeepFDR: A Deep Learning-based False Discovery Rate Control Method for Neuroimaging Data
New York University(纽约大学);University of Southern California(南加州大学);Weill Cornell Medicine(威尔康奈尔医学学院)
本文提出DeepFDR方法,利用无监督深度学习图像分割解决神经影像中基于体素的多重检验问题,在FDR控制、降低假非发现率和计算效率上均优于现有方法。
2024-03-10 cs.CV cs.LG stat.ML
CatNet: Controlling the False Discovery Rate in LSTM with SHAP Feature Importance and Gaussian Mirrors
CatNet通过SHAP特征重要性与高斯镜像算法在LSTM中有效控制假发现率,提出新的核独立度量以避免特征非线性或时间相关性带来的不稳定性,提升模型鲁棒性和可解释性。
2026-05-07 cs.AI cs.LG q-fin.ST
Online Control of the False Discovery Rate under "Decision Deadlines"
在线测试程序旨在控制一系列假设测试中错误发现的程度,允许早期测试结果影响后期测试假设的选择。通常,在线方法假设在进行下一个测试之前,必须做出关于当前测试的永久决定(拒绝或不拒绝)。相反,我们假设每个假设都需要立即做出初步决定,但也允许我们在预设的最后期限之前更新该决定。粗略地说,这让我们可以在假设的移动窗口上应用Benjamini-Hochberg类型的过程,其中即将到来的测试的阈值参数可以基于初步结果来确定。我们的方法控制的错误发现率(FDR)在每个阶段的测试,以及在自适应选择的停止时间。这些结果甚至适用于任意p值依赖结构。
2021-10-15 stat.ME stat.ML
False Discovery Rate Control and Statistical Quality Assessment of Annotators in Crowdsourced Ranking
随着众包平台的快速发展,在短时间内收集由多个注释器标记的数据集变得容易且相对便宜。然而,由于缺乏对注释者质量的控制,一些异常注释者可能会受到位置偏差的影响,这可能会降低最终共识标签的质量。在本文中,我们引入了一个统计框架来建模和检测注释者的位置偏差,以控制错误发现率(FDR),而无需先验知识的量有偏见的注释者-错误发现的预期比例在所有的发现不太高,以确保大多数的发现确实是真实的和可复制的。关键的技术发展依赖于一些新的敲除过滤器适应我们的问题和新的算法的基础上的逆尺度空间动力学的离散化是潜在的适合大规模众包数据分析。我们的研究得到了模拟实例和真实数据实验的支持。所提出的框架为定量研究来自机器学习、社会学、计算机视觉、多媒体等领域的众包数据中注释者的异常行为提供了一个有用的工具。
2016-06-16 stat.ML
Conformal link prediction for false discovery rate control
针对图链接预测中缺失边难以直接分类为真实边或不存在边的问题,提出基于保形推断的新方法以控制错误发现率,并考虑图结构引起的复杂数据依赖性,在模拟与真实数据上均验证了有效性。
2024-03-24 stat.ME stat.ML
Online control of the false discovery rate with decaying memory
University of California, Berkeley(加州大学伯克利分校)
在在线多重检验问题中,需要逐个观察不同原假设对应的p值,并立即决定是否拒绝当前假设,然后观察下一个p值。由Foster和Stine提出的控制错误发现率(FDR)的阿尔法投资算法已经被推广并应用于许多环境,包括科学中的质量保持数据库和互联网商务的多A/B或多臂强盗测试。本文从四个方面改进了广义阿尔法投资算法(GAI):(a)我们展示了如何通过为每次拒绝授予更多的α财富来统一提高整个单调GAI程序类的功率,为Javanmard和Montanari最近提出的困境提供双赢的解决方案,(b)我们展示了如何结合先验权重来指示哪些假设可能是非空的领域知识,(c)我们允许对错误发现的不同惩罚,以表明某些假设可能比其他假设更重要,(d)我们定义了一个新的量,称为衰减记忆错误发现率(mem-FDR),它可能对真正的时间应用更有意义,这也加剧了我们所描述的问题,并称之为“背负”和“阿尔法死亡”。我们的GAI++算法同时合并了所有四种概括,并在权重和衰减都设置为1时减少到早期算法的更强大的变体。最后,我们还描述了一个简单的方法来获得新的在线FDR规则的基础上估计的错误发现比例。
2017-10-02 cs.LG math.ST stat.ME
A False Discovery Rate Control Method Using a Fully Connected Hidden Markov Random Field for Neuroimaging Data
Alzheimer’s Disease Neuroimaging Initiative(阿尔茨海默病神经影像倡议)
针对神经影像体素级多重检验中FDR控制难以兼顾空间依赖建模、稳定性与计算可扩展性的问题,提出fcHMRF-LIS方法,结合LIS检验与全连接隐马尔可夫随机场,并利用高效EM算法将复杂度降至线性,在模拟与ADNI真实数据上均表现出更低的FNR、高稳定性及计算效率。
2025-05-29 cs.CV cs.LG stat.ME
Transfer Learning in Large-scale Gaussian Graphical Models with False Discovery Rate Control
研究了高维高斯图模型(GGM)的迁移学习,目的是利用相似和相关辅助研究的数据来估计目标GGM。目标图和每个辅助图之间的相似性由发散矩阵的稀疏性来表征。一种估计算法,跨CLIME,提出并证明,以达到更快的收敛速度比最小最大速率在单一的研究设置。此外,一个去偏的trans-CLIME估计被引入,并证明是逐元素渐近正态的。它被用来构建一个多重检验过程的边缘检测与错误发现率控制。所提出的估计和多重检验程序在模拟中表现出优越的数值性能,并通过利用来自多个其他脑组织的基因表达来推断目标脑组织中的基因网络。观察到预测误差的显著减少和链路检测功率的显著增加。
2020-10-21 stat.ME stat.ML
Estimating and Controlling the False Discovery Rate for the PC Algorithm Using Edge-Specific P-Values
PC算法允许研究人员从有限数据集估计一个完整的部分有向无环图(CPDAG),但很少有研究小组研究用于估计和控制CPDAG中边的错误发现率(FDR)的策略。在本文中,我们介绍了PC与p值(PC-p),一个快速算法,鲁棒地计算边缘特定的p值,然后估计和控制FDR的边缘。PC-p专门使用许多条件独立性检验返回的p值来上限更复杂的边缘特定假设检验的p值。然后,该算法使用有界p值和Benjamini-Yekutieli FDR程序来估计和控制FDR。对原始PC算法的修改也有助于PC-p准确地计算上界,尽管非零第二类错误率。实验表明,与其他方法相比,PC-p在各种CPDAG中产生更准确的FDR估计和边缘控制。
2017-05-10 stat.ME stat.ML
Communication-Efficient False Discovery Rate Control via Knockoff Aggregation
错误发现率(FDR)--所有发现中虚假发现的预期比例--提供了一种流行的统计评估,用于评估各学科科学研究的可重复性。在这项工作中,我们介绍了一种新的方法来控制FDR在元分析的许多分散的线性模型。我们的方法针对的情况下,许多研究小组-可能是随机的-独立地测试一组共同的假设,然后发送汇总统计数据的协调中心在网上的方式。基于Barber和Candes(2015)引入的敲除框架,我们的过程首先将敲除过滤器应用于每个线性模型,然后以一种新颖的方式通过一次性通信聚合汇总统计量。该方法给出了精确的FDR控制的非渐近没有任何知识的噪声方差或作出任何假设的稀疏信号。在某些设置中,它具有最佳对数因子的通信复杂度。
2015-11-09 stat.ME stat.ML
Online False Discovery Rate Control for LORD & SAFFRON Under Positive, Local Dependence
在线检验过程假定假设是按顺序观察到的,并允许即将进行的检验的显著性阈值取决于迄今为止观察到的检验统计量。一些最流行的在线方法包括阿尔法投资,LORD++(以下简称LORD)和SAFFRON。这三种方法已被证明在被称为条件超均匀性的条件下提供“修改的”错误发现率(mFDR)的在线控制。然而,据我们所知,LORD & SAFFRON仅在独立条件下对检验统计量控制了传统的错误发现率(FDR)。我们的工作支持这些结果表明,SAFFRON和洛德还确保在线控制的FDR下的“本地”形式的非负依赖。此外,在某些类型的自适应停止规则下维持FDR控制,诸如在已经观察到一定数量的拒绝之后停止。因为阿尔法投资可以作为SAFFRON框架的一个特例来恢复,所以我们的结果也可以立即应用于阿尔法投资。在推导这些结果的过程中,我们还正式描述了条件超一致性假设如何隐含地限制了允许的p值依赖性。这种隐含的限制不仅对我们提出的FDR结果很重要,而且对许多现有的mFDR结果也很重要。
2022-02-10 stat.ME stat.ML
Sample-and-Forward: Communication-Efficient Control of the False Discovery Rate in Networks
提出采样与转发方法,在通信受限网络中高效控制错误发现率,仅需少量样本和少量比特通信即可实现有限样本FDR控制及竞争性检测功效。
2023-05-16 eess.SP stat.ML
Adaptive novelty detection with false discovery rate guarantee
本文提出AdaDetect方法,通过包装任意概率分类算法实现数据自适应的新颖性检测,在有限样本下保证错误发现率控制,并扩展出适应零假设比例的变体。
2023-10-25 math.ST stat.ME stat.ML
Controlling False Discovery in Arbitrarily Structured Hypothesis Spaces via Reproducing Kernels
Technion – Israel Institute of Technology(技术Ion – 以色列理工学院);NVIDIA
本文提出了一种基于再生核的框架,用于在任意结构的假设空间中控制假发现率,通过将结构FDR控制转化为正则化学习问题,实现了对连续域、图和层次结构的统一处理,提高了发现能力。
2026-05-17 cs.AI q-bio.QM stat.ME
Private False Discovery Rate Control
我们提供了第一个差分隐私算法,用于控制多个假设检验中的错误发现率(FDR),在某些条件下基本上没有功率损失。我们的一般方法是采用Benjamini-Hochberg过程(BHq)的一个众所周知的变体,使每个步骤都具有差异性。这破坏了FDR控制的经典证明。为了证明FDR控制我们的方法,(a)我们开发了一个新的证明原来的(非私人)BHq算法和它的强大的变种-证明只需要假设真空检验统计量是独立的,允许任意的真空值和假空值之间的相关性。这个假设是相当弱的,以前在大量的文献中所示的这一主题相比,并解释了部分经验的鲁棒性BHq。然后(b)我们将差分私有版本的FDR控制属性与非私有版本的控制属性相关联。\end{enumerate}我们还提出了一个低失真的“一次”差分私有原语的“顶部$k$“的问题,例如,“$k$最受欢迎的爱好是什么?(我们将其应用于:“哪些假设具有最显著的$p$ -值?“),并使用它来获得我们的通用方法的更快的隐私保护实例化,而在准确性方面的成本很小。one-shot top~ $k$算法的隐私性证明引入了一种新的独立兴趣技术。
2015-11-12 cs.DS math.ST stat.ML