Searching for Local Associations while Controlling the False Discovery Rate
控制错误发现率的局部关联搜索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。
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：摘要研究通用条件关联与多重检验，未提出因果识别或其他所列细分领域的直接证据。
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…
控制错误发现率的局部关联搜索
- 研究问题
- 如何自适应发现不同协变量情境下的局部条件关联，同时控制多重检验的错误发现率并避免假设选择偏差？
- 方法与思路
- 作者扩展 model-X knockoff 筛选，允许使用任意模型识别数据驱动的情境假设，再对其检验且不要求样本划分。
- 材料陈述的贡献
- 摘要称方法能够控制错误发现率、揭示样本异质性与交互，并通过数值实验和英国生物样本库腰臀比遗传分析展示。
- 阅读关注点
- 应核对局部条件原假设、情境搜索与 knockoff 构造的关系，以及自适应选择后错误发现率控制所需条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；模型与分布条件未说明，局部关联及交互发现不能仅凭摘要解释为因果效应。
原文摘要
We introduce local conditional hypotheses that express how the relation between explanatory variables and outcomes changes across different contexts, described by covariates. By expanding upon the model-X knockoff filter, we show how to adaptively discover these local associations, all while controlling the false discovery rate. Our enhanced inferences can help explain sample heterogeneity and uncover interactions, making better use of the capabilities offered by modern machine learning models. Specifically, our method is able to leverage any model for the identification of data-driven hypotheses pertaining to different contexts. Then, it rigorously test these hypotheses without succumbing to selection bias. Importantly, our approach is efficient and does not require sample splitting. We demonstrate the effectiveness of our method through numerical experiments and by studying the genetic architecture of Waist-Hip-Ratio across different sexes in the UKBiobank.