Gold after Randomized Sand: Model-X Split Knockoffs for Controlled Transformation Selection
针对现有Split Knockoff方法仅适用于固定设计线性模型的局限，提出Model-X Split Knockoffs方法，通过辅助随机化设计实现随机设计下变换选择的稳健FDR控制，且统计功效更优，经模拟和真实场景验证有效。
2025-09-04 stat.ME
Variable selection via knockoffs for clustered data
University of Florence（佛罗伦萨大学）
本文提出了一种针对簇数据的变量选择方法，通过分解预测变量并分别在层面1和层面2进行变量选择，提高了假发现率和功率。
2026-02-23 stat.ME
Knockoff Boosted Tree for Model-Free Variable Selection
在这篇文章中，我们提出了一种新的策略进行变量选择没有事先模型拓扑知识，使用敲除方法与提升树模型。我们的方法的灵感来自原始的敲除方法，其中原始和敲除变量之间的差异用于变量选择与错误发现率控制。原始方法使用Lasso进行回归模型，并假设样本比变量多。我们将此方法扩展到无模型和高维变量选择。我们提出了两种新的抽样方法产生的仿冒品，即稀疏协方差和主成分仿冒方法。我们测试这些方法，并比较他们与原来的敲除方法的能力，以控制第一类错误和权力。提升树模型是一个复杂的系统，比具有简单假设的模型具有更多的超参数。在我们的框架中，这些超参数要么通过贝叶斯优化进行调整，要么固定在多个水平上进行趋势检测。在模拟试验中，我们还比较了树模型的重要性检验统计量的性质和性能。结果包括不同仿制品和重要性检验统计量的组合。我们还考虑了包括主效应、交互作用、指数和二阶模型的场景，同时假设真实的模型结构是未知的。我们将我们的算法应用于肿瘤纯度估计和肿瘤分类，使用癌症基因组图谱（TCGA）基因表达数据。所提出的算法包含在KOBT软件包中，可在\url{https://cran.r-project.org/web/packages/KOBT/index.html}获得。
2020-02-20 q-bio.QM stat.ME
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
Adjusting the Benjamini-Hochberg method for controlling the false discovery rate in knockoff assisted variable selection
考虑Barber & Candes（2015）的基于敲除的多重检验设置，用于多元回归中的变量选择，其中样本量与解释变量的数量一样大。Benjamini & Hochberg（1995）基于回归系数的普通最小二乘估计的方法被调整为设置，将其转换为基于有效p值的错误发现率控制方法，而不依赖于解释变量的任何特定相关结构。模拟和实际数据应用表明，我们提出的方法对π0不可知，不重要的解释变量的比例，以及使用π0估计的数据自适应版本是Barber & Candes（2015）中错误发现率控制方法的有力竞争者。
2021-08-18 stat.ME
Variable selection via knockoffs in missing data settings with categorical predictors
University of Florence（佛罗伦萨大学）
本文提出在缺失数据情况下使用敲击法进行变量选择，通过多重插补和敲击过滤器评估方法，应用于意大利学生评估数据，处理无序类别和缺失值问题。
2025-08-08 stat.ME
The revisited knockoffs method for variable selection in L1-penalised regressions
本文研究回归模型中的变量选择问题。特别是，我们对选择与响应变量相关的解释性协变量感兴趣，我们希望确定哪些协变量是相关的，即哪些协变量参与了模型。在这个框架中，我们处理L1-惩罚回归模型。为了处理惩罚参数的选择，以执行变量选择，我们开发了一个新的方法的基础上的仿制品的想法。这种修正的拟合方法是通用的，适用于各种类型响应变量的广泛回归。此外，它也适用于观测数小于协变量数的情况，并给出了协变量的重要性排序。最后，我们提供了许多实验结果来证实我们的方法，并与其他变量选择方法进行比较。
2019-07-06 stat.AP 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
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
Powerful Knockoffs via Minimizing Reconstructability
Model-X仿制品允许分析师使用几乎任何机器学习算法进行特征选择，同时仍然可以证明控制错误发现的预期比例。要应用X模型的仿制品，必须构造称为仿制品的合成变量，这些变量在特征选择期间有效地充当控制。构建仿制品的黄金标准是最小化特征与其仿制品之间的平均绝对相关性（MAC），但令人惊讶的是，我们证明了这一过程在非常简单的设置中可能无能为力，包括具有相关可交换特征的高斯线性模型。关键问题是最小化MAC在特征和仿制品之间创建了强联合依赖性，这允许机器学习算法使用仿制品部分或完全重建特征对响应的影响。为了提高山寨的力量，我们建议生成山寨，最大限度地减少可重构性（MRC）的功能，我们证明了我们的建议，高斯功能，显示它是计算效率高，鲁棒性强，功能强大。我们还证明，某些MRC敲减最小的自然定义的估计误差在高斯线性模型。此外，在一组广泛的模拟，我们发现许多设置与相关的功能，其中MRC的仿制品显着优于MAC最小化的仿制品和没有设置中，MAC最小化的仿制品优于MRC仿制品超过一个非常轻微的保证金。我们在一个新的开源python包knockpy中实现了我们的方法和大量来自山寨文学的其他方法。
2021-06-29 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
FDR Controlled Multiple Testing for Union Null Hypotheses: A Knockoff-based Approach
错误发现率（FDR）控制过程为基于多假设检验的信号识别的可重复性提供了重要的统计保证。在许多研究领域，FDR控制程序用于高维（HD）分析，以发现与结果真正相关的特征。在最近的一些应用中，在多个不同的研究中独立地收集关于同一组候选特征的数据。例如，在不同的设施和不同的队列中收集基因表达数据，以鉴定多种类型癌症的遗传生物标志物。这些研究为我们提供了通过联合考虑来自不同来源（具有潜在异质性）的信息来识别信号的机会。本文研究如何为条件独立性的并零假设检验提供FDR控制保证。我们提出了一种基于敲除的变量选择方法（\textit{Simultaneous knockoffs}），以确定相互信号从多个独立的数据集，有限的样本设置下提供精确的FDR控制保证。此方法可用于非常一般的模型设置和检验统计量。我们证明了这种方法的性能与广泛的数值研究和两个实际数据的例子。
2022-10-03 stat.ME
One-at-a-time knockoffs: controlled false discovery rate with higher power
提出一次一个的 knockoffs（OATK）方法，通过逐个替换设计矩阵列生成 knockoff 设计矩阵，在线性回归中控制 FDR 并提高功效，优于现有方法，并支持条件校准等增强。
2025-02-26 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
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
Derandomizing Knockoffs
Model-X仿制品是一种通用程序，可以利用任何特征重要性度量来产生变量选择算法，该算法在严格控制误报数量或比例的同时发现真实效果。X型仿制品是一种随机化过程，依赖于合成（随机）变量的一次性构建。本文介绍了一种去随机化的方法，通过聚合的选择结果在多次运行的敲除算法。去随机化步骤被设计为是灵活的，并且可以适应于任何变量选择基础过程，以在不损害统计功效的情况下产生稳定的决策。当应用于Janson et al.（2016）的基本过程时，我们证明了去随机化的仿制品控制了每个家族的错误率（PFER）和k家族的错误率（k-FWER）。此外，我们进行了广泛的数值研究，证明紧密的第一类错误控制和显着增强的权力相比，替代变量选择算法。最后，我们将我们的方法应用于前列腺癌的多阶段全基因组关联研究，并报告与该疾病显著相关的基因组位置。当与其他研究交叉引用时，我们发现报告的关联已被复制。
2020-12-04 stat.AP 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
Derandomized Truncated D-vine Copula Knockoffs with e-values to control the false discovery rate
本文提出截断D-vine Copula Knockoffs算法并结合去随机化与e值，在控制FDR的同时提升变量选择的统计功效与稳健性，并在基因表达数据中验证了其优越性。
2024-07-19 stat.ME
Sequential knockoffs for continuous and categorical predictors: with application to a large Psoriatic Arthritis clinical trial pool
Knockoffs提供了一个通用框架，用于在执行变量选择时控制错误发现率。许多仿制品的文献集中在理论上的挑战，我们认识到需要把一些目前的想法付诸实践。在本文中，我们提出了一个连续的和分类（因子）变量组成的基础数据时，生成仿冒品的顺序算法。此外，我们提出了一个启发式的多个山寨的方法，提供了一个实际的评估如何强大的山寨选择过程是一个给定的数据集。我们进行了广泛的模拟，以验证所提出的方法的性能。最后，我们证明了该方法的实用性，在一个大型的临床数据库中，超过$2,000$患者银屑病关节炎的4个临床试验中评估的IL-17 A抑制剂，阿基诺单抗（Cosentyx），我们确定了一个良好的临床结果的预后因素。本文中提出的分析可以提供广泛的应用，以常见的数据集在医疗实践和其他领域的变量选择是特别感兴趣的。
2020-10-27 stat.AP stat.ME
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
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
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
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
Spatial Knockoff Bayesian Variable Selection in Genome-Wide Association Studies
针对全基因组关联研究中高维变量选择的假阳性控制问题，提出融合knockoff方法、群体结构校正与空间高斯过程的贝叶斯变量选择模型，模拟和拟南芥数据分析验证其控错率、提效能且结果富集于已知基因。
2024-08-19 stat.ME
Multilayer Knockoff Filter: Controlled variable selection at multiple resolutions
我们解决的问题是从大量的变量中选择那些对结果“重要”的变量。我们考虑的情况下，变量组也有兴趣在自己的权利。例如，每个变量可能是一个遗传多态性，我们可能想研究一个性状如何取决于基因的变异性，基因通常包含多个这样的多态性的DNA片段。或者，变量可以量化公司拥有的各个互联网服务器的功能的各个方面，我们可能有兴趣评估每个服务器作为一个整体对公司客户的平均下载速度的重要性。在这种情况下，发现变量与结果相关意味着发现它所代表的更大实体也很重要。为了保证有意义的和可重复的结果，我们建议在个体变量和群体水平上控制错误发现率。在Barber和Candes（2015）的敲除构造和Barber和Ramdas（2016）的多层测试框架的基础上，我们引入了多层敲除滤波器（MKF）。我们证明，MKF同时控制在每个分辨率的FDR，并使用模拟表明，它会产生很小的功率损失相比，只为个别变量的发现提供保证的方法。我们应用MKF分析遗传数据集，发现它成功地减少了错误基因发现的数量，而没有显着降低功率。
2018-08-09 stat.ME
Variable Selection in Latent Regression IRT Models via Knockoffs: An Application to International Large-scale Assessment in Education
针对国际大规模评估数据，提出基于knockoff的潜变量回归变量选择方法，以控制错误选择率并识别与非认知变量相关的学生表现因素。
2023-11-14 stat.AP stat.ME
Robust inference with knockoffs
我们考虑的变量选择问题，它旨在确定重要的变量影响响应$Y$出许多候选功能$X_1, \ldots, X_p$。我们希望这样做，同时提供关于假阳性的分数的有限样本保证-选择的变量$X_j$，实际上在其他特征已知后对$Y$没有影响。当特征$p$的数量很大（甚至可能大于样本量$n$），并且我们没有关于$Y$和$X$之间依赖类型的先验知识时，只要特征向量$X=(X_1,\dots,X_p)$的分布是确切已知的，模型X的仿制品框架仍然允许我们选择具有错误发现率的保证边界的模型。该模型选择过程通过构造每个$p$特征的“仿制品”来操作，然后将其用作控制组以确保模型选择算法不选择太多不相关的特征。在这项工作中，我们研究的实际情况下，PDMATHAMR的分布只能估计，而不是确切地知道，和敲除副本的$X_j$的，因此构建有点不正确。我们的研究结果，这是免费的任何建模假设，无论如何，表明所产生的模型选择过程会导致通货膨胀的错误发现率是成比例的，我们的错误估计分布的每个功能$X_j$的条件下，其余的功能$\{X_k:k\neq j\}$。因此，X模型敲除框架对$X$分布的基本假设中的错误具有鲁棒性，使其成为许多实际应用的有效方法，例如全基因组关联研究，其中对特征$X_1,\dots,X_p$的基本分布进行了准确估计，但并不确切。
2019-02-11 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
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
Improve Power of Knockoffs with Annotation Information of Covariates
AnnoKn通过整合功能注释信息和自适应Lasso回归，提高因果遗传变异检测的效能并严格控制假发现率。
2026-01-05 stat.ME
Novel Knockoff Generation and Importance Measures with Heterogeneous Data via Conditional Residuals and Local Gradients
针对现有Knockoff变量选择方法难以处理异构无分布数据及依赖线性模型的局限，提出基于条件残差的灵活Knockoff生成框架与兼容非线性模型的MALD重要性度量，在模拟及小鼠DNA甲基化数据中表现更优。
2025-08-20 stat.ME
Mapping beyond diseases: Controlled variable selection for secondary phenotypes using tilted knockoffs
针对病例对照等偏倚抽样导致的碰撞偏倚与高维变量选择问题，提出按选择概率倾斜总体分布并构造 tilted knockoff 的方法，实现次级表型分析中的 FDR 控制。
2025-09-30 stat.AP stat.ME
When Knockoffs fail: diagnosing and fixing non-exchangeability of Knockoffs
本文针对Knockoffs框架因交换性假设难以满足导致假阳性膨胀的问题，提出基于分类器双样本测试的诊断工具，并开发计算高效的替代Knockoff构造算法以恢复错误控制。
2025-04-29 stat.ME
Controlling the False Discovery Rate for Binary Feature Selection via Knockoff
在过去的几十年里，变量选择已经被广泛用于数据分析，在大数据时代，它变得越来越重要，因为数据集中通常有数百个变量。为了增强模型的可解释性，识别潜在的相关特征通常是将所有特征拟合到回归模型中之前的一个步骤。一个好的变量选择方法应该有效地控制错误发现的比例，并确保其选择集足够大的权力。在许多当代数据应用中，很大一部分特征被编码为二进制变量。二进制特征广泛存在于许多领域，从在线控制实验到基因组科学再到物理统计。虽然最近有少数文献可证明的错误发现率（FDR）控制变量选择，大多数的理论分析是基于一些强依赖性假设或高斯假设的功能。在本文中，我们提出了一个回归框架中的变量选择方法来选择二进制特征。在温和的条件下，我们表明，FDR是完全控制在一个目标水平下，在有限的样本，如果底层的二进制功能的分布是已知的。我们在模拟中表明，FDR控制仍然达到时，从数据中估计的特征分布。我们还提供了我们的变量选择方法在线性回归模型或逻辑斯谛回归模型的功率的理论结果。在竞争对手存在的限制设置中，我们在HIV抗逆转录病毒治疗数据集上的模拟和真实数据应用中表明，我们的方法具有比竞争对手更高的功效。
2020-08-13 stat.ME
Derandomized knockoffs: leveraging e-values for false discovery rate control
本文提出一种去随机化model-X knockoffs的方法，通过聚合多次实现的e值，在无需额外条件下保证FDR控制，并显著降低选择变异性，同时保持相当功效。
2023-08-31 stat.ME
A Powerful and Precise Feature-level Filter using Group Knockoffs
本文提出一种基于分组knockoffs的特征级过滤器，在控制FDR的同时，相比现有分组knockoffs过滤器能以相当功效和更高精确性识别强相关特征组中的重要特征。
2024-02-27 stat.ME
A Pseudo Knockoff Filter for Correlated Features
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。受Barber和Candes（2015）工作的启发，我们提出并分析了一种伪敲除滤波器，该滤波器继承了原始敲除滤波器的一些优点，并且在构建其敲除矩阵时具有更大的灵活性。此外，我们进行了一些数值实验，似乎表明，伪敲除滤波器与半Lasso统计FDR控制，并提供更多的权力比原来的敲除滤波器与Lasso路径或半Lasso统计的数值例子，我们认为在本文中。虽然我们不能建立严格的FDR控制的伪敲除滤波器，我们提供了一些部分分析的伪敲除滤波器与半Lasso统计量，并建立一个统一的FDP界和期望不等式。
2019-07-22 math.ST stat.ME stat.TH
Response-guided knockoffs for directional FDR control in linear models
School of Mathematics and Statistics, University of Sydney（悉尼大学数学与统计学院）；School of Mathematical and Physical Sciences, Macquarie University（麦考瑞大学数理科学学院）
本研究针对线性模型特征选择的定向 FDR 控制问题，提出响应引导 knockoff 过滤器，在更弱样本量要求下实现定向 FDR 控制，经模拟与 HIV 耐药实验验证功效优于现有方法。
2026-09-01 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
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
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
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
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
DiffKnock: Diffusion-based Knockoff Statistics for Neural Networks Inference
本研究提出具备FDR控制能力的扩散框架DiffKnock，通过扩散模型生成knockoff样本、结合神经网络统计量构建特征重要性度量，解决现有方法的两大局限，在模拟和单细胞RNA测序数据中均表现优异。
2025-10-01 stat.AP stat.ME stat.ML
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 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
Asymptotically Optimal Knockoff Statistics via the Masked Likelihood Ratio
本文提出掩码似然比（MLR）统计量，通过衡量每个特征与其 knockoff 的可区分性来优先选择特征，在用户指定的贝叶斯模型下渐近最大化发现数量，并在模拟和实际应用中优于现有 lasso 类方法。
2024-10-01 stat.ME
The Conditional Prediction Function: A Novel Technique to Control False Discovery Rate for Complex Models
针对现有knockoff统计量依赖线性假设、检测功效不足的问题，提出基于条件预测函数的knockoff统计量，可结合先进机器学习模型捕捉非线性关系与特征相关性，经模拟与真实数据集验证具备更优变量选择功效。
2023-10-07 cs.LG stat.ME stat.ML
Variable Selection for Multi-Source Count Data with Controlled False Discovery Rate
本文提出针对多源零膨胀计数数据的变量选择方法 ZIPG-SK，利用高斯 copula 构造 knockoff 并结合 e 值聚合，在控制 FDR 的同时提升功效，并在结直肠癌和 2 型糖尿病数据上验证了其有效性。
2025-11-08 stat.AP stat.ME
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
Review and Evaluation of Feature Selection Algorithms in Synthetic Problems
Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）
特征子集选择的主要目的是从特征集描述的数据集中找到属性的精简子集。特征选择算法（FSA）的任务是提供一个计算解决方案，其动机是一定的相关性定义或可靠的评估措施。在本文中，几个基本的算法进行了研究，以评估其性能在一个受控的实验方案。一个措施来评估FSA的设计，计算FSA和已知的最优解的输出之间的匹配程度。合成问题进行了广泛的实验研究，以评估的行为的算法的解决方案的准确性和大小的相关性，不相关性，冗余度和大小的数据样本的函数。受控的实验条件有利于更好地支持和有意义的结论的推导。
2011-01-12 cs.AI cs.LG
StaRQR-K: False Discovery Rate Controlled Regional Quantile Regression
StaRQR-K通过控制虚假发现率实现区域分位数回归，用于检测基因组特征与结果分布特定分位数区域的关联。
2025-11-26 stat.ME
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
Controlling the False Discovery Rate via Competition: is the +1 needed?
针对Barber和Candès（2015）提出的通过伪特征与原始特征竞争估计FDR时使用的+1项，研究其在一般情况下的必要性，为特征选择中FDR控制方法的优化提供理论参考。
2022-10-29 stat.AP stat.ME
