Semi-knockoffs: a model-agnostic conditional independence testing method with finite-sample guarantees
半敲诈：一种具有有限样本保证的模型无关条件独立性检验方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论条件独立性检验、FDR 控制与机器学习结合，属于统计方法论，未涉及所提供领域细分中的因果推断、面板、时间序列或金融计量等具体应用方向，故不选择。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
半敲诈：一种具有有限样本保证的模型无关条件独立性检验方法
- 研究问题
- 摘要称，条件独立性检验对可靠的科学发现至关重要，可防止虚假发现并支持受控特征选择；但现有使用机器学习模型作为分布替代的模型无关方法需要训练-测试划分，从而降低统计功效。
- 方法与思路
- 作者提出 Semi-knockoffs，一种可兼容任意预训练模型、避免训练-测试划分的条件独立性检验方法，在高维情形下提供有效 p 值与 FDR 控制；与依赖模型-X 假设的方法不同，它仅要求连续变量的条件期望。
- 材料陈述的贡献
- 摘要称该方法适用于任意预训练模型、无需划分数据，并在高维下提供有效 p 值与 FDR 控制；为在估计条件期望时保证有效性，作者给出两项理论结果：含零特征的正则化模型稳定性，以及双稳健性。
- 阅读关注点
- 应核对：FDR 控制与 p 值有效性所依赖的具体假设与定理条件；稳定性结果中零特征与正则化的设定；双稳健性针对的估计对象；高维渐近与有限样本保证的边界；以及方法对预训练模型类型的实际限制。
- 阅读边界
- 仅凭摘要无法判断定理的完整假设、证明正确性、模拟或实证表现，也无法确认其相对其他方法的实际优势；摘要未说明具体数据、数值结果与实现细节。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Conditional independence testing (CIT) is essential for reliable scientific discovery. It prevents spurious findings and enables controlled feature selection. Recent CIT methods have used machine learning (ML) models as surrogates of the underlying distribution. However, model-agnostic approaches require a train-test split, which reduces statistical power. We introduce Semi-knockoffs, a CIT method that can accommodate any pre-trained model, avoids this split, and provides valid p-values and false discovery rate (FDR) control for high-dimensional settings. Unlike methods that rely on the model-$X$ assumption (known input distribution), Semi-knockoffs only require conditional expectations for continuous variables. This makes the procedure less restrictive and more practical for machine learning integration. To ensure validity when estimating these expectations, we present two new theoretical results of independent interest: (i) stability for regularized models trained with a null feature and (ii) the double-robustness property.