Model-Free Feature Screening and FDR Control With Knockoff Features
利用 Knockoff 特征进行无模型特征筛选与错误发现率控制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：摘要研究通用高维变量筛选和错误发现率控制，没有直接涉及所列因果、面板或金融宏观问题，因此暂不分类。
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…
利用 Knockoff 特征进行无模型特征筛选与错误发现率控制
- 研究问题
- 面对超高维、厚尾或多响应数据，如何不指定回归模型筛选相关特征，并同时保留活跃变量和控制错误发现率？
- 方法与思路
- 作者使用投影相关度量向量间依赖，构造自适应筛选方法，再借助 Knockoff 特征分两步设定筛选阈值。
- 材料陈述的贡献
- 摘要称方法具有确定筛选和排序一致性；在预设错误发现率水平至少为活跃特征数倒数等条件下，可兼顾筛选与错误发现率控制。
- 阅读关注点
- 应核对投影相关的性质、筛选与排序一致性的完整条件，以及 Knockoff 的构造要求和两个阶段间的数据使用安排。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；所谓弱假设未展开，同时保证的结论存在摘要明确给出的水平限制。
原文摘要
This article proposes a model-free and data-adaptive feature screening method for ultrahigh-dimensional data. The proposed method is based on the projection correlation which measures the dependence between two random vectors. This projection correlation based method does not require specifying a regression model, and applies to data in the presence of heavy tails and multivariate responses. It enjoys both sure screening and rank consistency properties under weak assumptions. A two-step approach, with the help of knockoff features, is advocated to specify the threshold for feature screening such that the false discovery rate (FDR) is controlled under a prespecified level. The proposed two-step approach enjoys both sure screening and FDR control simultaneously if the prespecified FDR level is greater or equal to 1/s, where s is the number of active features. The superior empirical performance of the proposed method is illustrated by simulation examples and real data applications. Supplementary materials for this article are available online.