Learning False Discovery Rate Control via Model-Based Neural Networks

Resumo Técnico: Aprendizado de Controle da Taxa de Descoberta Falsa via Redes Neurais Baseadas em Modelos

Definição do Problema
Na seleção de variáveis de alta dimensão (onde o número de variáveis $p$ excede o número de amostras $n$), controlar a Taxa de Descoberta Falsa (FDR) enquanto se maximiza a Taxa de Verdadeiros Positivos (TPR) é um desafio crítico. Métodos rigorosos existentes, como o Seletor T-Rex (Terminating-Random Experiments), fornecem garantias prováveis de FDR, mas dependem de estimadores analíticos para a Proporção de Descobertas Falsas (FDP). Esses estimadores são inerentemente conservadores para garantir a validade teórica, o que frequentemente resulta em uma lacuna significativa entre o FDP realizado e o nível alvo de FDR. Essa cautela excessiva leva a uma perda de poder estatístico, fazendo com que o método perca descobertas verdadeiras, particularmente em regimes de baixa relação sinal-ruído (SNR).

Metodologia
Os autores propõem um aprimoramento aumentado por aprendizado ao framework do Seletor T-Rex. A inovação central é substituir o estimador de FDP analítico e conservador do T-Rex por uma aproximação baseada em dados aprendida por uma rede neural baseada em modelo.

1. Integração de Framework: O Seletor T-Rex opera executando $K$ experimentos aleatórios paralelos onde variáveis fictícias (dummy variables) são anexadas à matriz de preditores. Um algoritmo de seleção progressiva (ex: LARS) é terminado assim que um número específico de dummies entra no modelo. As variáveis são selecionadas com base em sua frequência relativa de seleção ($\Phi$) através desses experimentos.
2. Arquitetura da Rede Neural: O método proposto utiliza um Perceptron Multicamadas (MLP) com três camadas ocultas com ativação ReLU (128, 64 e 32 neurônios) e uma saída sigmoide final para restringir as predições ao intervalo $[0, 1]$. A entrada consiste no vetor achatado das estatísticas do T-Rex, incluindo a matriz de frequência relativa $\Phi$, e parâmetros de calibração ($v, T, L$). Para lidar com dimensões variáveis, $\Phi$ é preenchido com zeros (zero-padding) até uma dimensão máxima fixa.
3. Estratégia de Treinamento: A rede é treinada exclusivamente em conjuntos de dados sintéticos diversos. Esta abordagem foi escolhida porque dados do mundo real rotulados (com conjuntos ativos de base conhecida) são raramente disponíveis para seleção exploratória de variáveis, e treinar em dados reais poderia introduzir vantagens injustas ao comprimir informações específicas do domínio. O pipeline sintético gera matrizes de características a partir de 14 distribuições diferentes (ex: Gaussiana, Student's t, Cauchy) com variados SNRs para garantir que o modelo aprenda uma função de calibração generalizável em vez de memorizar estruturas específicas.
4. Função de Perda: Para manter o controle aproximado sem garantias formais, uma função de perda assimétrica é empregada: $L(\hat{\xi}, \xi) = \max(0, \hat{\xi} - \xi)^2 + w \cdot \max(0, \xi - \hat{\xi})^2$ com $w > 1$. Esta função penaliza a subestimação do FDP mais pesadamente do que a superestimação, incentivando um comportamento conservador.
5. Calibração: Durante a inferência, a rede treinada substitui o estimador analítico na etapa de "Calibrar & Fundir" (Calibrate & Fuse). Uma busca em grade (grid search) é realizada para encontrar os parâmetros ótimos $(v^*, T^*)$ que maximizam o número de variáveis selecionadas enquanto satisfazem a restrição de FDP aprendida $\le \alpha$.

Principais Contribuições
O artigo descreve três contribuições primárias:

1. Novo Framework: A integração de uma rede neural profunda na etapa de calibração do Seletor T-Rex para fornecer uma estimativa de FDP mais precisa e baseada em dados.
2. Validação de Desempenho: Experimentos extensivos demonstrando que o método, treinado apenas com dados sintéticos, aumenta significativamente o poder estatístico (TPR) em comparação com o Seletor T-Rex original, mantendo o controle aproximado de FDR.
3. Generalização: Evidência de que o modelo treinado generaliza efetivamente para dados genômicos realistas, especificamente em um cenário desafiador de Estudo de Associação Genômica Ampla (GWAS) sintético.

Resultados

• Benchmarks Sintéticos: Em experimentos com $p=150$, $n=75$ e variados SNRs, o método proposto alcançou consistentemente um TPR mais alto do que o Seletor T-Rex original em todos os níveis de SNR. Este melhoria foi impulsionada pela seleção de parâmetros de calibração menos conservadores (especificamente limiares de votação mais baixos), possibilitada pela aproximação mais justa do FDP fornecida pela rede neural.
• Aplicação em Genômica: Em um conjunto de dados de GWAS simulado (gerado via HAPGEN2 para mimetizar estruturas de correlação genômica humana), o método aumentou o TPR de $14,9\% \pm 9,4\%$ (T-Rex original) para $17,3\% \pm 8,2\%$. O FDR empírico foi de $20,8\% \pm 27,3\%$, permanecendo próximo ao alvo de $20\%$, demonstrando um controle aproximado eficaz, apesar do deslocamento de distribuição (distributional shift) em relação aos dados de treinamento.

Significância e Alegações
Os autores alegam que sua abordagem aborda com sucesso o compromisso entre o rigor do controle de erro e o poder estatístico. Ao trocar a garantia teórica formal do estimador analítico por um aumento empírico significativo de poder, o método permite que o procedimento opere muito mais próximo da fronteira de FDR desejada. O artigo enfatiza que essa calibração baseada em dados é uma solução prática para aplicações onde as garantias teóricas estritas podem ser levemente relaxadas em favor da descoberta de mais variáveis ativas verdadeiras. A dependência exclusiva de dados de treinamento sintéticos diversos é destacada como uma vantagem fundamental, garantindo justiça, generalização e escalabilidade sem a necessidade de conjuntos de dados reais rotulados. Os autores concluem que a calibração baseada em dados serve como um complemento poderoso aos métodos tradicionais baseados em modelos na seleção de variáveis de alta dimensão.