NeurT-FDR：通过融入特征层次控制 FDR
机器学习
2021-01-26 v1 机器学习
摘要
在现代数据科学中，在利用多重假设检验的辅助信息的同时控制错误发现率（FDR）是一个新兴研究课题。现有方法依赖于检验水平的协变量，却忽略了协变量间可能存在的层次结构。该策略对于复杂的大规模问题可能并非最优，因为此类检验水平协变量间常存在层次信息。我们提出 NeurT-FDR，在利用检验水平协变量间层次结构的同时提升统计功效并控制 FDR。我们的方法将检验水平协变量参数化为神经网络，并通过回归框架调整特征层次，从而能够灵活处理高维特征并高效进行端到端优化。我们证明了 NeurT-FDR 具有强 FDR 保证，并且在合成与真实数据集上比有竞争力的基线发现了显著更多的阳性结果。
引用
@article{arxiv.2101.09809,
title = {NeurT-FDR: Controlling FDR by Incorporating Feature Hierarchy},
author = {Lin Qiu and Nils Murrugarra-Llerena and Vítor Silva and Lin Lin and Vernon M. Chinchilli},
journal= {arXiv preprint arXiv:2101.09809},
year = {2021}
}