Virtual Dummies: Enabling Scalable FDR-Controlled Variable Selection via Sequential Sampling of Null Features
虚拟哑变量：通过零特征序贯抽样实现可扩展的FDR受控变量选择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：摘要聚焦高维变量选择的FDR控制与算法可扩展性，属于统计方法与计算问题，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等方向，故不选择任何细分领域。
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…
虚拟哑变量：通过零特征序贯抽样实现可扩展的FDR受控变量选择
- 研究问题
- 摘要称，研究问题是如何在高维变量选择（尤其是基因组学中数百万预测变量的场景）中，在控制错误发现率（FDR）的同时避免显式构造合成零变量（dummy）所带来的巨大内存瓶颈。
- 方法与思路
- 作者将前向选择的信息流形式化为一个滤流，论证相容选择器仅通过投影到自适应演化的低维子空间与未选中的哑变量交互；对旋转不变的哑变量分布，提出自适应stick-breaking构造，从给定选择历史的精确条件分布中抽样这些投影，从而无需实体化哑变量矩阵，并以Virtual Dummy LARS（VD-LARS）实例化该理论。
- 材料陈述的贡献
- 摘要称，作者证明了路径式普适性定理：在温和的去局域化条件下，由一般标准化i.i.d.哑变量驱动的选择路径收敛到同一高斯极限；并称VD-LARS在保持T-Rex选择律与FDR保证的同时，将内存与运行时间降低数个数量级，在真实全基因组关联研究数据上验证了FDR控制与功效。
- 阅读关注点
- 阅读全文时应核对：滤流形式化与低维子空间投影假设的具体条件；旋转不变分布与去局域化条件的精确表述；路径式普适性定理的证明范围与适用边界；VD-LARS是否严格保持T-Rex的选择律与FDR保证；实验数据规模、对照方法与超时/失败情形的具体设定。
- 阅读边界
- 仅依据摘要，无法判断定理假设在实际数据中的满足程度、数值结果的可复现性，以及与其他方法比较的公平性；摘要未说明具体数据规模、运行时间数值与功效水平。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
High-dimensional variable selection, particularly in genomics, requires error-controlling procedures that scale to millions of predictors. The Terminating-Random Experiments (T-Rex) selector achieves false discovery rate (FDR) control by aggregating results of early terminated random experiments, each combining original predictors with i.i.d. synthetic null variables (dummies). At biobank scales, however, explicit dummy augmentation requires terabytes of memory. We demonstrate that this bottleneck is not fundamental. Formalizing the information flow of forward selection through a filtration, we show that compatible selectors interact with unselected dummies solely through projections onto an adaptively evolving low-dimensional subspace. For rotationally invariant dummy distributions, we derive an adaptive stick-breaking construction sampling these projections from their exact conditional distribution given the selection history, thereby eliminating dummy matrix materialization. We prove a pathwise universality theorem: under mild delocalization conditions, selection paths driven by generic standardized i.i.d. dummies converge to the same Gaussian limit. We instantiate the theory through Virtual Dummy LARS (VD-LARS), reducing memory and runtime by several orders of magnitude while preserving the exact selection law and FDR guarantees of the T-Rex selector. Experiments on realistic genome-wide association study data confirm that VD-T-Rex controls FDR and achieves power at scales where all competing methods either fail or time out.