DeepLINK-T：使用 knockoffs 和 LSTM 的时间序列数据深度学习推断
机器学习
2024-04-09 v1 机器学习
定量方法
摘要
高维纵向时间序列数据在各种现实应用中普遍存在。许多此类应用可建模为带有高维时间序列协变量的回归问题。深度学习一直是拟合这些回归模型的流行且强大的工具。然而，开发可解释且可复现的深度学习模型具有挑战性，且仍待深入探索。本研究引入了一种新方法 Deep Learning Inference using Knockoffs for Time series data (DeepLINK-T)，侧重于在回归中选择显著的时间序列变量，同时将错误发现率 (FDR) 控制在预定水平。DeepLINK-T 将深度学习与 knockoff 推断相结合，以在时间序列模型的特征选择中控制 FDR，可适应多种特征分布。它通过利用时间序列协变量中随时间变化的潜在因子结构，处理跨时间与特征的依赖关系。DeepLINK-T 的三个关键要素为：1) 用于生成时间序列 knockoff 变量的 Long Short-Term Memory (LSTM) 自编码器；2) 同时使用原始变量和 knockoff 变量的 LSTM 预测网络；3) 应用 knockoffs 框架进行带有 FDR 控制的变量选择。我们进行了广泛的模拟研究以评估 DeepLINK-T 的性能，结果表明其能够有效控制 FDR，且与其非时间序列对应方法相比，在高维纵向时间序列数据上展现出更优的特征选择功效。DeepLINK-T 进一步应用于三个宏基因组数据集，验证了其实用性与有效性，并凸显了其在现实应用中的潜力。
引用
@article{arxiv.2404.04317,
title = {DeepLINK-T: deep learning inference for time series data using knockoffs and LSTM},
author = {Wenxuan Zuo and Zifan Zhu and Yuxuan Du and Yi-Chun Yeh and Jed A. Fuhrman and Jinchi Lv and Yingying Fan and Fengzhu Sun},
journal= {arXiv preprint arXiv:2404.04317},
year = {2024}
}