Confirmatory Biomarker Identification with k-FWER Control Using Derandomized Knockoffs with Cox Regression
本文提出了一种基于Cox回归的去随机化敲offs方法，用于在控制k-FWER的前提下提高高维生存分析中生物标志物识别的稳定性与准确性。
2025-12-12 stat.AP stat.ME
Controlling the FDR in variable selection via multiple knockoffs
Barber和Candes最近引入了一种称为knockoff+的特征选择方法，该方法控制经典线性回归问题中所选特征之间的错误发现率（FDR）。Knockoff+使用原始特征和人工创建的仿制品特征之间的竞争来控制FDR [1]。我们推广Barber和Candes的仿制品构造以生成多个仿制品，并将其与最近开发的基于多个竞争的FDR控制的一般框架结合使用[9]。我们证明，使用我们的初始多敲除建设的组合过程严格控制有限样本设置中的FDR。因为这种构造的实用性有限，我们引入了一种启发式方法，我们称之为“启发式”，它显著提高了我们的多重敲除程序的能力。最后，我们结合了一个新的上下文相关的reservation计划，取代通用reservation计划中使用的一般多竞争设置的批量仿冒品。我们使用模拟，由此产生的“多敲除选择”的程序经验控制FDR在有限设置的变量选择问题，同时往往提供更多的权力比敲除+。
2019-11-22 stat.ME
Bayesian Knockoff Filter
在许多科学领域中，研究人员感兴趣的是从大量的特征中发现对响应有实质性影响的特征，同时控制错误发现的比例。通过将敲除过程中的贝叶斯框架，我们开发了贝叶斯敲除滤波器（BKF）选择功能，有重要影响的响应。与频率论程序中的固定敲除变量相比，我们允许使用马尔可夫链蒙特卡罗不断更新敲除变量。基于后验样本和详细的贪婪选择过程，我们的方法可以区分真正重要的功能和不重要的贝叶斯错误发现率可以控制在一个理想的水平。对合成数据和真实数据的数值实验表明，我们的BKF优于现有的敲除方法和贝叶斯变量选择方法，即，BKF具有更高的功率并且产生更低的错误发现率。
2023-02-25 stat.ME
Choosing the nominal level post-hoc with knockoffs using e-values
University of Bremen（不来梅大学）；Novartis Pharma AG（诺华制药股份公司）
本文提出利用e值在事后调整名义FDR水平，以提高敲off方法在低维和稀疏信号中的表现，并通过真实数据验证其有效性。
2026-02-19 stat.ME
ARK: Robust Knockoffs Inference with Coupling
针对特征分布错误设定或估计时 model-X knockoffs 框架的稳健性问题，提出 approximate knockoffs（ARK）过程，通过耦合技术证明其能实现渐近 FDR 和 $k$-FWER 控制，并验证了框架的稳健性。
2024-06-04 math.ST stat.ME stat.ML
Familywise Error Rate Control via Knockoffs
我们提出了一种新的方法，用于控制$k$ -familywise错误率（$k$ -FWER）在线性回归设置使用的敲除框架首先介绍了Barber和Candès。我们的程序，我们也称为仿制品，可以应用于任何设计矩阵，至少有尽可能多的观察变量，并不需要知道噪声方差。与直接作用于$p$值的其他多重检验程序不同，敲除是专门为线性回归量身定制的，并且隐含地解释了不同系数的假设检验之间的统计关系。我们证明，敲控制的$k$ -FWER正是在有限的样本，并在模拟中显示，它提供了优越的权力，替代程序的范围内的线性回归问题。我们还讨论了扩展到控制其他第一类错误率，如假阳性率，并使用它来确定候选人的突变赋予耐药性的艾滋病毒。
2015-11-09 stat.ME
Improving knockoffs with conditional calibration
本文提出校准 knockoff 程序，通过条件校准框架一致提升现有 knockoff 方法的功效，尤其在拒绝集小或设计矩阵结构不利时显著优于 Benjamini-Hochberg 等竞争方法。
2024-11-25 stat.ME
Aggregation of Multiple Knockoffs
我们开发了Barber和Candes（2015）引入的Knockoff推理过程的扩展。这种新方法被称为多个敲除物的聚合（AKO），解决了基于敲除物的推断的随机性质所固有的不稳定性。具体而言，与原始Knockoff算法相比，AKO提高了稳定性和功率，同时仍然保持对错误发现率控制的保证。我们提供了一个新的推理过程，证明了它的核心属性，并在一组合成和真实数据集上的实验中证明了它的好处。
2020-06-25 math.ST stat.AP stat.ME
Panning for Gold: Model-X Knockoffs for High-dimensional Controlled Variable Selection
许多当代的大规模应用涉及构建可解释的模型，将大量潜在协变量以非线性方式连接到响应，例如当响应是二进制时。虽然这个建模问题已经得到了广泛的研究，它仍然不清楚如何有效地控制假发现的分数，即使在高维逻辑斯谛回归，更不用说一般的高维非线性模型。为了解决这样一个实际问题，我们提出了一个新的$model$ - $X$仿制品框架，它从不同的角度读取了最初设计用于控制线性模型中的错误发现率的仿制品程序（Barber和Candès，2015）。尽管敲除过程被限制为具有$n\ge p$的同方差线性模型，但这里的关键创新在于，在响应的条件分布是任意且完全未知的设置中，模型X敲除提供了从有限样本的有效推断。此外，这与协变量的数量无关。在这样一个广泛的设置正确的推断是通过构建敲除变量概率，而不是几何。要做到这一点，我们的方法要求协变量是随机的（独立和同分布的行），分布是已知的，虽然我们提供了初步的实验证据，我们的程序是强大的未知/估计的分布。据我们所知，没有其他的程序解决了$controlled$变量选择问题，在这样的一般性，但在限制设置中存在的竞争对手，我们通过模拟展示了优越的权力的山寨。最后，我们将我们的程序应用于英国克罗恩病病例对照研究的数据，发现的发现是相同数据的原始分析的两倍。
2017-12-12 math.ST stat.AP stat.ME
A Power and Prediction Analysis for Knockoffs with Lasso Statistics
Knockoffs是一个新的框架，用于控制涉及复杂统计模型的多个假设检验问题中的错误发现率（FDR）。虽然第一类错误控制一直受到重视，但对第二类错误的研究却少得多。在本文中，我们分析了假阴性率，或等效地，与拉索解决方案的路径下的i.i.d.高斯设计，并发现仿制品渐近实现接近最优功率相对于一个无所不知的神谕。此外，我们证明，对于稀疏信号，通过敲除滤波进行模型选择实现了接近理想的预测误差相比，一个拉索甲骨文配备了充分的知识的未知回归系数的分布。身份证。采用高斯设计来利用关于Lasso估计的经验分布的结果，这使得knockoff和oracle程序的功效计算成为可能。
2017-12-18 stat.ME
Error-based Knockoffs Inference for Controlled Feature Selection
Huazhong Agricultural University（华中农业大学）；Xi’an Jiaotong University（西安交通大学）；Southern University of Science and Technology（南方科技大学）
最近，X模型仿制品方案被提出作为一个有前途的解决方案，以解决高维有限样本设置下的控制特征选择。然而，模型X的仿制过程严重依赖于基于系数的特征重要性，并且仅涉及错误发现率（FDR）的控制。为了进一步提高其自适应性和灵活性，在本文中，我们提出了一个基于错误的敲除推理方法集成敲除功能，基于错误的特征重要性统计，和降压过程在一起。建议的推理过程不需要指定一个回归模型，并可以处理与控制错误发现比例（FDP），FDR，或k-familywise错误率（k-FWER）的理论保证的特征选择。实证评估表明，我们的方法在模拟和真实数据的竞争力。
2022-03-09 cs.AI stat.ME
RANK: Large-Scale Inference with Graphical Nonlinear Knockoffs
在使用一般高维非线性模型的当代大数据应用中，功率和可重复性是实现精细科学发现的关键。在本文中，我们为最近在Candès，Fan，Janson和Lv（2016）中引入的无模型敲除程序在高维环境中的功效和鲁棒性提供了理论基础，当协变量分布由高斯图形模型表征时。我们建立了在温和的正则性条件下，在高维线性模型中，当样本量趋于无穷大时，协变量分布已知的oracle knockoffs方法的功效渐近为1。当远离理想情况下，我们建议修改的无模型敲除方法称为图形非线性敲除（RANK），以适应未知的协变量分布。我们提供了理论上的理由，我们的修改后的程序的鲁棒性，假发现率（FDR）是渐近控制在目标水平和功率是渐近估计协变量分布。据我们所知，这是第一个正式的理论结果的权力仿冒程序。仿真结果表明，与现有的方法相比，我们的方法表现出竞争力的FDR控制和功率。一个真实的数据集进行分析，以进一步评估所建议的仿制品程序的性能。
2017-08-31 math.ST stat.ME stat.ML
Auto-Encoding Knockoff Generator for FDR Controlled Variable Selection
一种新的统计程序（Model-X \cite{candes2018}）提供了一种使用任何控制FDR的监督学习方法来识别重要因素的方法。这一研究领域显示出巨大的潜力，可以将机器学习方法的视野扩展到预测任务之外，以满足科学研究对可解释发现的更广泛需求。然而，缺乏一个实用的和灵活的方法来产生仿制品仍然是广泛应用的Model-X程序的主要障碍。本文填补了空白，提出了一个无模型的敲除生成器，通过潜变量表示近似的特征之间的相关性结构。我们证明了我们提出的方法可以实现FDR控制和更好的功率比两个现有的方法在各种模拟设置和一个真实的数据例子，发现与HIV-1患者的耐药性相关的突变。
2018-09-27 stat.ME
A Generalized Knockoff Procedure for FDR Control in Structural Change Detection
控制错误发现率（FDR）对于变量选择、多重检验以及其它信号检测问题是至关重要的。在文献中，在选择个体特征时当然不乏FDR控制策略，但是用于结构变化检测的相关工作，例如分段常系数的轮廓分析和多数据源的集成分析，是有限的。在本文中，我们提出了一个广义敲除过程（GKnockoff）的FDR控制在这样的问题设置。我们证明了GKnockoff具有两两互换性，并且能够在有限样本量下控制精确的FDR。我们进一步探讨了高维下的GKnockoff，首先引入了一种新的筛选方法来过滤高维潜在的结构变化。我们采用了数据分裂技术，首先通过筛选降维，然后对细化的选择集进行GKnockoff。此外，所提出的方法的权力进行了系统的研究。与其他方法的数值比较表明，GKnockoff的优越性能，在FDR控制和功率。我们还实现了所提出的方法来分析宏观经济数据集，以检测经济发展对第二产业的驱动效应的变化。
2022-04-08 stat.ME
Stab-GKnock: Controlled variable selection for partially linear models using generalized knockoffs
本文首次将fixed-X knockoff扩展至部分线性模型，提出Stab-GKnock方法，通过选择概率作为特征重要性得分实现FDR控制，并引入两阶段方法解决高维问题。
2023-11-27 math.ST stat.ME stat.TH
Kernel Knockoffs Selection for Nonparametric Additive Models
非参数可加性模型由于其在模型灵活性和可解释性之间的良好平衡而得到广泛应用，这类模型的变量选择问题也得到了广泛的研究。然而，现有的解决方案都不能控制错误发现率（FDR），除非样本量趋于无穷大。山寨框架是最近提出的，可以解决这个问题，但很少有山寨解决方案直接适用于非参数模型。在这篇文章中，我们提出了一个新的核敲除选择过程的非参数加性模型。我们集成了三个关键部分：仿制品，稳定性的子采样，和非参数函数逼近的随机特征映射。我们表明，所提出的方法是保证控制FDR为任何样本量，并实现了功率接近一个样本量趋于无穷大。我们证明了我们的方法的有效性，通过密集的模拟和比较与其他解决方案。因此，我们的建议作出了有益的贡献，非参数变量选择的方法，FDR为基础的推理，以及仿冒品。
2022-01-07 stat.ME
Knockoffs with Side Information
我们考虑的问题，评估多个变量或因素的重要性，从一个数据集时，边信息。原则上，使用辅助信息可以让统计师关注具有更大潜力的变量，这反过来可能会带来更多发现。我们引入了自适应敲除滤波器，其概括了敲除过程（Barber和Candès，2015; Candès等人，2018年），因为它使用手头的数据和辅助信息来自适应地对研究中的变量进行排序，并专注于那些最有希望的变量。自适应敲除控制有限样本错误发现率（FDR），我们证明了它的权力，通过比较它与其他结构化的多重检验方法。我们还将我们的方法应用于真实的遗传数据，以发现遗传变异与各种表型（如克罗恩病和血脂水平）之间的关联。在这里，自适应仿制品比以前在相同数据集上的研究中报告的发现更多。
2020-01-22 math.ST stat.AP stat.ME
A generalized e-value feature detection method with FDR control at multiple resolutions
本文提出SFEFP方法，通过统一广义e值和稳定处理，在多分辨率下实现FDR控制，提升特征检测的灵活性和稳定性。
2025-12-21 stat.ME
Variable Selection with the Knockoffs: Composite Null Hypotheses
本文将固定-X knockoff 滤波器理论扩展至复合零假设检验，提出 S-OLS 和 FRPP 两种方法应对依赖特征下的复合零假设，并证明 S-OLS 启发式变体优于 BH 程序，同时分析了原方法直接用于复合检验时的 FDR 损失。
2023-11-27 eess.SP math.ST stat.ME
Knockoffs Inference under Privacy Constraints
University of Hong Kong（香港大学）；University of Southern California（南加州大学）；The University of Tennessee（田纳西大学）
研究在隐私约束下的仿冒推断问题，提出差分隐私范式内的综合框架，该方法能保证隐私保护，保留 FDR 控制，通过功效分析建立条件，证明 DP-仿冒方法在高低维变量选择中可有效保护隐私。
2026-07-14 stat.ME stat.ML
Nonparametric Bayesian Knockoff Generators for Feature Selection Under Complex Data Structure
本文提出非参数贝叶斯GDPM模型生成高质量knockoff副本，用于复杂数据分布下的FDR控制特征选择，在模拟与TCGA卵巢癌数据中表现出准确FDR控制与更高功效。
2024-09-22 stat.ME
A Prototype Knockoff Filter for Group Selection with FDR Control
在许多应用中，我们需要研究由响应变量和大量潜在解释变量组成的线性回归模型，并确定哪些变量与响应真正相关。2015年，Barber和Candes引入了一种新的变量选择过程，称为敲除过滤器，以控制错误发现率（FDR），并证明该方法实现了精确的FDR控制。在本文中，我们提出了一个原型敲除过滤器组选择的扩展Reid-Tibshirani原型方法。我们的原型敲除过滤器提高了计算效率和统计功效的Reid-Tibshirani原型方法时，它被应用于组选择。在某些情况下，当组功能跨越一个或几个隐藏的因素，我们证明了PCA原型敲除过滤器优于戴-巴伯组敲除过滤器。我们提出了几个数值实验，比较我们的原型敲除滤波器的Reid-Tibshirani原型方法和组敲除滤波器。我们还对敲除过滤器进行了一些分析。我们的分析表明，一些敲除路径方法统计，包括拉索路径统计，可能会导致某些设计矩阵和专门设计的响应的功率损失，即使它们的信号强度仍然相对较强。
2019-07-22 math.ST stat.ME stat.TH
Bayesian Controlled FDR Variable Selection via Parameter-Expanded Latent Knockoffs
Rice University（莱斯大学）；University of Florence（佛罗伦萨大学）；University of California at Los Angeles（加州大学洛杉矶分校）
本文提出一种基于参数扩展的贝叶斯FDR变量选择方法，通过构建隐含的knockoff层，利用高斯图模型捕捉协变量的条件独立结构，从而在有限样本中控制FDR。
2026-04-21 math.ST stat.ME stat.TH
CoxKnockoff: Controlled Feature Selection for the Cox Model Using Knockoffs
本文提出 CoxKnockoff 方法，首次在有限样本下实现 Cox 模型受控特征选择的 FDR 控制，并证明其渐近功效为 1。
2023-08-01 stat.ME
Controlling the false discovery rate in high-dimensional linear models using model-X knockoffs and $p$-values
Southwestern University of Finance and Economics（西南财经大学）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；Temple University（天普大学）；Tongji University（同济大学）
本文提出一种新的多重检验方法，结合模型-X knockoffs技术与去偏惩罚回归估计器，以在高维线性模型中控制假发现率，通过构建自然配对的高维检验统计量和p值，提升检验功效。
2026-10-15 math.ST stat.ME stat.TH
Controlling the False Discovery Rate in Transformational Sparsity: Split Knockoffs
本文提出分裂Knockoff方法，用于在变换稀疏性设置中控制错误发现率，通过变量与数据分裂及逆超鞅结构实现可证明的FDR控制，并在模拟和ADNI数据上验证了效果。
2023-10-16 stat.ME
Improving the adjusted Benjamini--Hochberg method using e-values in knockoff-assisted variable selection
Indian Institute of Technology Kharagpur（印度理工学院哈格普尔分校）；Carnegie Mellon University（卡内基梅隆大学）
本文提出改进的e值加权Benjamini-Hochberg方法，通过引入有界p到e校准器提升变量选择性能，实现更灵活的FDR控制。
2026-02-12 math.ST stat.ME stat.TH
Functional knockoffs selection with applications to functional data analysis in high dimensions
针对高维函数型数据变量选择中的FDR控制问题，提出functional model-X knockoffs选择框架，结合相关算子矩阵与Karhunen-Loève展开构造函数型敲击变量，实现任意样本量下的有效FDR控制及渐近功效保证。
2024-06-27 math.ST stat.ME stat.TH
BONuS: Multiple multivariate testing with a data-adaptivetest statistic
我们提出了一个新的自适应经验贝叶斯框架，空袋统计（BONUS）程序，多重检验，每个假设检验问题本身是多变量或非参数。BONuS是一种自适应和交互式仿制品类型的方法，有助于提高测试能力，同时控制错误发现率（FDR），并与Weinstein等人（2017）分析的“计数仿制品”程序密切相关。相反的程序，开始与每个假设的$p$值，我们的方法分析整个数据集，以自适应地估计一个最佳的$p$值转换的基础上的经验贝叶斯模型。尽管额外的适应性，我们的方法控制FDR在有限的样本，即使经验贝叶斯模型是不正确的或估计是穷人。一个扩展，双BONUS程序，验证经验贝叶斯模型，以防止由于模型误指定的功率损失。
2021-07-01 math.ST stat.ME stat.TH
Controlling the false discovery rate via knockoffs
在许多科学领域，我们观察一个反应变量和大量潜在的解释变量，并希望能够发现哪些变量与反应真正相关。与此同时，我们需要知道错误发现率（FDR）--所有发现中错误发现的预期比例--不是太高，以便向科学家保证大多数发现确实是真实的和可复制的。本文介绍了敲除滤波器，一种新的变量选择过程控制FDR的统计线性模型中，只要有至少一样多的观测变量。该方法在有限样本设置中实现了精确的FDR控制，无论设计或协变量、模型中的变量数量或未知回归系数的幅度如何，并且不需要任何噪声水平的知识。顾名思义，该方法通过制造廉价的仿制变量来操作-它们的构造不需要任何新数据-并且旨在模仿现有变量中发现的相关结构，以允许精确FDR控制的方式，超越基于置换的方法的可能性。仿制品的方法是非常通用和灵活的，可以与广泛的一类检验统计量。我们测试的方法结合稀疏回归的Lasso的统计数据，并获得实证结果表明，所得到的方法具有远远超过现有的选择规则时，空变量的比例很高的权力。
2015-10-14 math.ST stat.ME stat.TH
Controlling Costs: Feature Selection on a Budget
传统的特征选择框架将所有特征视为花费相同的金额。然而，在现实中，科学家往往有相当大的自由裁量权，关于哪些变量进行测量，并决定涉及模型的准确性和成本之间的权衡（其中成本可以指金钱，时间，难度，或侵入性）。特别是，在模型中不必要地包含昂贵的功能比不必要地包含廉价的功能更糟糕。我们提出了一个程序，我们称之为廉价的仿冒品，在成本意识的方式进行功能选择。我们的方法背后的关键思想是迫使更高成本的功能与更多的仿制品竞争，而不是更便宜的功能。我们推导出与此过程相关的加权错误发现比例的上限，这对应于浪费在不重要的功能上的功能成本的分数。我们证明，这个界同时持有高概率的路径上选定的变量集的大小增加。因此，用户可以例如基于总预算来选择一组特征，同时知道不超过特征成本的特定部分被浪费。我们调查，通过模拟和生物医学应用，将成本考虑到功能选择过程中的实际重要性。
2023-02-11 stat.ME
Knockoffs for exchangeable categorical covariates
针对支撑在有限集上的可交换类别协变量，本文推导了 knockoff 联合分布的显式公式，证明了关于 de Finetti 测度的稳健性，并经数值实验表明其在错误发现率上优于连续近似方法。
2024-10-13 math.ST stat.ME stat.TH
Local False Discovery Rate Estimation with Competition-Based Procedures for Variable Selection
多重假设检验已被广泛应用于处理高维数据的问题，例如，选择重要变量并控制选择错误率。在多重假设检验中使用的错误率的最普遍的度量是错误发现率（FDR）。近年来，局部错误发现率因其在评估个体假设可信度方面的优势而受到广泛关注。然而，大多数方法通过p值或具有已知零分布的统计量来估计FDR，这些方法有时不可用或不可靠。采用基于竞争的程序的创新方法，例如，在knockoff滤波器的基础上，提出了一种新的局部错误发现率估计方法TDfdr，该方法不需要p值或已知的零分布。仿真结果表明，TDFDR可以准确地估计FDR与两个竞争为基础的程序。在实际数据分析中，TDfdr对变量选择的能力在两个生物数据集上得到了验证。
2022-06-06 stat.ME
Testing Conditional Independence in Supervised Learning Algorithms
Department of Statistical Science University College London（伦敦大学学院统计科学系）；Leibniz Institute for Prevention Research and Epidemiology – BIPS & Faculty of Mathematics and Computer Science University of Bremen（不来梅大学莱布尼茨预防研究与流行病学研究所- BIPS及数学与计算机科学学院）
我们提出了条件预测影响（CPI），一个一致的和无偏估计量的一个或多个功能和一个给定的结果之间的关联，条件减少功能集。基于Candès等人的山寨框架。（2018），我们开发了一种新的测试程序，可与任何有效的山寨采样器，监督学习算法和损失函数结合使用。CPI可以有效地计算高维数据，没有任何稀疏性约束。我们证明了收敛标准的CPI和开发统计推断程序，以评估其幅度，意义和精度。这些测试有助于特征和模型选择，将传统的频率论和贝叶斯技术扩展到一般的监督学习任务。CPI还可以应用于因果发现中以识别潜在的多变量图结构。我们使用各种算法测试我们的方法，包括线性回归，神经网络，随机森林和支持向量机。实证结果表明，消费物价指数相比，有利的替代变量的重要性措施和其他非参数检验的条件独立的各种阵列的真实和模拟数据集。仿真结果表明，我们的推理过程成功地控制第一类错误，并实现名义覆盖概率。我们的方法已经在R包cpi中实现，可以从https://github.com/dswatson/cpi下载。
2021-05-13 cs.LG stat.ME stat.ML
Sparse minimum Redundancy Maximum Relevance for feature selection
RIKEN AIP（日本理化学研究所AIP）；Keio University（庆应大学）
提出一种基于惩罚mRMR和knockoff滤波器的特征筛选方法，通过控制FDR识别非活跃特征，性能与HSIC-LASSO相当但更保守，仅需设置FDR阈值。
2025-08-26 cs.LG stat.ME stat.ML
An ensemble learning method for variable selection: application to high dimensional data and missing values
在线性模型中选择变量的标准方法并不适合于正确处理高维和不完整的数据。目前，专门用于高维数据的方法处理缺失值的ad-hoc策略，如完整的情况下分析或单插补，而专门用于缺失值的方法，主要是基于多重插补，不讨论插补方法使用高维数据。因此，这两种方法对于许多现代应用来说似乎都是有限的。受集成方法的启发，提出了一种新的变量选择方法。它扩展了经典的变量选择方法的情况下，高维数据有或没有缺失数据。理论特性进行了研究，并通过模拟研究，以及通过应用程序的模型规格顺序多重插补的实际利益。在低维情况下，该程序改善了对误差风险的控制，尤其是第一类错误，即使逐步、套索或敲除方法没有缺失值。在缺失值的情况下，该方法的性能优于基于多重插补的参考选择方法。相似的性能得到在高维的情况下，有或没有缺失值。
2021-06-08 stat.ME
Nullstrap: A Simple, High-Power, and Fast Framework for FDR Control in Variable Selection for Diverse High-Dimensional Models
提出Nullstrap框架，通过生成合成零数据并并行估计，在不破坏原始数据的前提下实现高维模型变量选择中的FDR控制与高功效。
2025-07-15 q-bio.QM stat.ME
Stability of a Generalized Debiased Lasso with Applications to Resampling-Based Variable Selection
Department of Statistics, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校统计系）；Department of Electrical and Computer Engineering, the Grainger College of Engineering（格拉inger工程学院电子与计算机工程系）
提出基于稳定性原理的广义去偏Lasso估计量，通过设计矩阵单列扰动下的简单更新公式，在比例增长机制下实现渐近精确近似，显著降低重抽样变量选择的计算成本。
2026-06-15 cs.IT cs.LG math.IT
Diffusion-Driven High-Dimensional Variable Selection
本文提出一种基于扩散模型生成合成数据并进行重采样聚合的高维变量选择框架，通过迁移学习提升小样本或噪声场景下的选择稳定性与准确性，并在模拟中优于 lasso、稳定性选择和 knockoff 等基线方法。
2025-08-19 stat.ME stat.ML
