Network knockoffs: controlling false discovery in dyadic space
网络 knockoffs：在二元空间中控制错误发现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：摘要以拓扑网络上的二元回归与网络特征选择为核心，直接对应网络与干扰方向；未涉及因果识别、面板或离散选择等主题。
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…
网络 knockoffs：在二元空间中控制错误发现
- 研究问题
- 摘要称，研究问题是在高维二元（dyadic）回归中，如何对节点层面与边层面的网络特征进行变量选择并控制错误发现率，因为二元观测间的相依性使经典渐近方法与常规数据拆分、knockoff 方法失效。
- 方法与思路
- 作者提出一种 knockoff 变量选择程序：在构建二元空间的增广设计矩阵之前，直接在拓扑网络上模拟合成特征，以应对二元之间的相依结构。摘要未说明具体的构造条件与理论保证。
- 材料陈述的贡献
- 摘要称，该方法在经验上对节点层面和边层面特征均能控制错误发现率；而 Benjamini-Hochberg、Benjamini-Yekutieli、Storey Q 值、数据拆分与标准 knockoff 程序均表现反保守。作者还将其应用于北卡罗来纳州 1000 多个溪流障碍物对美洲红点鲑通行性的评估。
- 阅读关注点
- 应核对：knockoff 在网络上模拟的具体机制与所需假设；FDR 控制是有限样本还是渐近结论、是否有理论证明；模拟设计能否支撑反保守的比较结论；应用部分“先前评估为阻碍”的参照标准与选择比例如何定义。
- 阅读边界
- 仅凭摘要无法判断理论保证、识别条件与模拟细节，也不能据此认定方法优于其他程序；应用结果依赖特定物种与区域数据。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
Phenomena such as epidemiological processes, hydrologic systems, social platforms, utility services, and supply chains can be represented as topological networks. A central question about these networks concerns connectivity and the permeability of edges. Dyadic regression and related approaches have been proposed to identify network features associated with pairwise node-level differences. In high-dimensional settings, it is important to control the number of spuriously selected features. However, controlling the false discovery rate for dyadic outcomes is challenging because dependence among dyads invalidates classic asymptotic procedures and complicates standard data splitting and knockoff approaches. We propose a novel knockoff variable selection procedure that simulates synthetic features directly on the topological network prior to constructing the augmented design matrix in dyadic space. Empirically, our method controls the false discovery rate for both node- and edge-level features. The Benjamini-Hochberg, Benjamini-Yekutieli, Storey Q-value, data-splitting, and standard knockoff procedures were all anticonservative. We applied our network knockoffs to assess the impassability of over 1000 stream barriers in North Carolina for Salvelinus fontinalis. Compared to data splitting and traditional knockoff approaches, our proposed approach selected a higher proportion of barriers previously assessed to impede fish movement.