DiffKnock：基于扩散模型的击中统计量用于神经网络推断
统计方法学
2025-10-03 v1 应用统计
机器学习
摘要
我们介绍 DiffKnock，这是一种基于扩散模型的击中框架，用于具有有限样本假发现率 (FDR) 控制的高维特征选择。DiffKnock 解决了现有击中方法的两个关键局限性：保留复杂特征依赖关系和检测非线性关联。我们的做法训练扩散模型以生成有效的击中样本，并使用基于神经网络的梯度和滤波统计量构建反称特征重要性度量。通过仿真实验，我们展示 DiffKnock 在保持目标 FDR 的同时，超过基于自编码器的击中方法，表明其在涉及复杂非线性架构的场景中性能优越。应用于LPS刺激的小鼠单细胞RNA-seq数据，DiffKnock 识别了规范NF-B靶基因 (Ccl3, Hmox1) 和调控因子 (Fosb, Pdgfb)。这些结果表明，通过将深度生成模型的灵活性与严格的统计保证相结合，DiffKnock 是分析单细胞RNA-seq数据以及其他领域高维结构数据的强大且可靠工具。
引用
@article{arxiv.2510.01418,
title = {DiffKnock: Diffusion-based Knockoff Statistics for Neural Networks Inference},
author = {Heng Ge and Qing Lu},
journal= {arXiv preprint arXiv:2510.01418},
year = {2025}
}