Learning False Discovery Rate Control via Model-Based Neural Networks

Technische Samenvatting: Leren van False Discovery Rate Controle via Model-gebaseerde Neurale Netwerken

Probleemstelling
In hoogdimensionale variabele selectie (waarbij het aantal variabelen $p$ het aantal monsters $n$ overstijgt) is het beheersen van de False Discovery Rate (FDR) terwijl de True Positive Rate (TPR) wordt gemaximaliseerd, een cruciale uitdaging. Bestaande rigoureuze methoden, zoals de Terminating-Random Experiments (T-Rex) Selector, bieden bewijsbare FDR-garanties maar vertrouwen op analytische schatters voor de False Discovery Proportion (FDP). Deze schatters zijn inherent conservatief om theoretische validiteit te waarborgen, wat vaak resulteert in een aanzienlijke kloof tussen de gerealiseerde FDP en het beoogde FDR-niveau. Deze overmatige voorzichtigheid leidt tot een verlies aan statistische kracht, waardoor de methode ware ontdekkingen mist, met name in regimes met een lage signaal-ruisverhouding (SNR).

Methodologie
De auteurs stellen een learning-augmented verbetering voor van het T-Rex Selector-framework. De kerninnovatie is het vervangen van de conservatieve analytische FDP-schatter van T-Rex door een data-gestuurde benadering die wordt geleerd door een model-gebaseerd neuraal netwerk.

1. Framework Integratie: De T-rex Selector werkt door $K$ parallelle willekeurige experimenten uit te voeren waarbij dummy-variabelen worden toegevoegd aan de predictor-matrix. Een forward selectie-algoritme (bijv. LARS) wordt gestopt zodra een specifiek aantal dummies in het model is opgenomen. Variabelen worden geselecteerd op basis van hun relatieve selectiefrequentie ($\Phi$) over deze experimenten.
2. Neuraal Netwerk Architectuur: De voorgestelde methode maakt gebruik van een Multi-Layer Perceptron (MLP) met drie ReLU-geactiveerde verborgen lagen (128, 64 en 32 neuronen) en een uiteindelijke sigmoid output om voorspellingen binnen $[0, 1]$ te beperken. De input bestaat uit de geflaten vector van T-Rex statistieken, inclusief de relatieve frequentie-matrix $\Phi$, en kalibratieparameters ($v, T, L$). Om variërende dimensies te verwerken, wordt $\Phi$ met nul-padding aangevuld tot een vaste maximale dimensie.
3. Trainingsstrategie: Het netwerk wordt uitsluitend getraind op diverse synthetische datasets. Deze aanpak is gekozen omdat real-world gelabelde data (met bekende grondwaarheid van actieve sets) zelden beschikbaar is voor exploratieve variabele selectie, en trainen op echte data een oneerlijk voordeel zou kunnen introduceren door domeinspecifieke informatie te comprimeren. De synthetische pipeline genereert feature-matrices uit 14 verschillende distributies (bijv. Gaussian, Student's t, Cauchy) met variërende SNR's om ervoor te zorgen dat het model een generaliseerbare kalibratiefunctie leert in plaats van specifieke structuren te memoriseren.
4. Loss Functie: Om benaderende controle te behouden zonder formele garanties, wordt een asymmetrische loss-functie gebruikt: $L(\hat{\xi}, \xi) = \max(0, \hat{\xi} - \xi)^2 + w \cdot \max(0, \xi - \hat{\xi})^2$ met $w > 1$. Deze straft het onderschatten van de FDP zwaarder af dan het overschatten, wat conservatief gedrag stimuleert.
5. Kalibratie: Tijdens de inferentie vervangt het getrainde netwerk de analytische schatter in de "Calibrate & Fuse"-fase. Er wordt een grid search uitgevoerd om optimale parameters $(v^*, T^*)$ te vinden die het aantal geselecteerde variabelen maximaliseren terwijl ze voldoen aan de geleerde FDP-restrictie $\le \alpha$.

Belangrijkste Bijdragen
De paper schetst drie primaire bijdragen:

1. Nieuw Framework: De integratie van een diep neuraal netwerk in de kalibratiefase van de T-Rex Selector om een nauwkeurigere, data-gestuurde FDP-schat te bieden.
2. Prestatie Validatie: Uitgebreide experimenten die aantonen dat de voorgestelde methode, die uitsluitend op synthetische data is getraind, de statistische kracht (TPR) aanzienlijk verhoogt ten opzichte van de originele T-Rex Selector, terwijl benaderende FDR-controle behouden blijft.
3. Generalisatie: Bewijs dat het getrainde model effectief generaliseert naar realistische genomische data, specifiek in een uitdagende synthetische Genome-Wide Association Study (GWAS) setting.

Resultaten

• Synthetische Benchmarks: In experimenten met $p=150$, $n=75$ en variërende SNR's, bereikte de voorgestelde methode consistent een hogere TPR dan de originele T-Rex Selector over alle SNR-niveaus. Deze verbetering werd gedreven door de selectie van minder conservatieve kalibratieparameters (specifiek lagere voting thresholds), mogelijk gemaakt door de nauwere FDP-benadering van het neurale netwerk.
• Genomics Applicatie: Op een gesimuleerde GWAS-dataset (gegenereerd via HAPGEN2 om menselijke genomische correlatiestructuren na te bootsen), verhoogde de methode de TPR van $14,9\% \pm 9,4\%$ (originele T-Rex) naar $17,3\% \pm 8,2\%$. De empirische FDR was $20,8\% \pm 27,3\%$, wat dicht bij de $20\%$ doelstelling bleef, wat effectieve benaderde controle demonstreert ondanks de distributieverschuiving vanaf de trainingsdata.

Betekenis en Claims
De auteurs beweren dat hun aanpak er succesvol in slaagt de trade-off tussen rigoureuze foutcontrole en statistische kracht aan te pakken. Door de formele theoretische garantie van de analytische schatter in te ruilen voor een significante empirische toename in kracht, stelt de methode de procedure in staat om veel dichter bij de gewenste FDR-grens te opereren. Het paper benadrukt dat deze data-gestuurde kalibratie een praktische oplossing is voor toepassingen waar strikte theoretische garanties iets kunnen worden versoepeld ten gunste van het ontdekken van meer ware actieve variabelen. Het exclusieve gebruik van diverse synthetische trainingsdata wordt benadrukt als een belangrijk voordeel, wat zorgt voor eerlijkheid, generaliseerbaarheid en schaalbaarheid zonder de noodzaak van gelabelde real-world datasets. De auteurs concluderen dat data-gestuurde kalibratie dient als een krachtig complement aan traditionele model-gebaseerde methoden in hoogdimensionale variabele selectie.