DeepDRK: 深度依赖正则化 Knockoff 用于特征选择

Model-X knockoff 因其控制假发现率 (FDR) 的保证而在各种特征选择方法中受到广泛关注。自参数化设计提出以来，knockoff 技术已演变为使用深度学习基于生成模型处理任意数据分布。然而，我们注意到当前深度 Model-X knockoff 框架的实现存在局限性。尤其是，knockoff 所需的“交换属性”在样本层面上常面临挑战，导致选择功效下降。为此，我们发展了“Deep Dependency Regularized Knockoff (DeepDRK)”，一种无分布限制的深度学习方法，有效平衡 FDR 与功效。在 DeepDRK 中，我们将 knockoff 模型的新型表述作为在多源对抗攻击下的学习问题。通过采用创新的扰动技术，我们实现更低的 FDR 和更高的功效。我们的模型在合成、准合成和真实数据集上均优于现有基准，尤其在样本量小且数据分布非高斯时表现尤为突出。