Deep Knockoffs
深度 Knockoff 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。
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：摘要聚焦通用变量选择和生成模型，未提供因果效应或其他所列细分方向的直接证据。
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…
深度 Knockoff 方法
- 研究问题
- 当特征数据分布任意且未明确指定时，如何借助深度生成模型构造近似 model-X knockoff 特征，用于受控变量选择？
- 方法与思路
- 作者迭代优化 knockoff 生成机制，采用受最大均值差异启发的准则，衡量原始特征与 knockoff 特征距离成对可交换性的程度。
- 材料陈述的贡献
- 摘要称提出灵活的近似 knockoff 生成工具，数值实验展示其适用性与检验功效，并用于 HIV 突变与耐药变化的研究。
- 阅读关注点
- 应核对近似可交换性误差如何影响错误发现控制、训练准则能保证什么，以及数据拆分、比较基准和计算成本。
- 阅读边界
- 来源为版本未注明的 OpenAlex 索引摘要；未给出近似误差到错误发现控制的具体保证，不能把数值检验等同于严格有效性。
原文摘要
This article introduces a machine for sampling approximate model-X knockoffs for arbitrary and unspecified data distributions using deep generative models. The main idea is to iteratively refine a knockoff sampling mechanism until a criterion measuring the validity of the produced knockoffs is optimized; this criterion is inspired by the popular maximum mean discrepancy in machine learning and can be thought of as measuring the distance to pairwise exchangeability between original and knockoff features. By building upon the existing model-X framework, we thus obtain a flexible and model-free statistical tool to perform controlled variable selection. Extensive numerical experiments and quantitative tests confirm the generality, effectiveness, and power of our deep knockoff machines. Finally, we apply this new method to a real study of mutations linked to changes in drug resistance in the human immunodeficiency virus. Supplementary materials for this article are available online.