Байесовский фильтр BKF отбирает признаки с меньшей долей ложных открытий на данных

Исследователи описали байесовский фильтр на основе переменных-двойников (BKF) — метод отбора важных признаков из большого набора кандидатов с контролем доли ложных открытий. Работа опубликована в Proceedings of the National Academy of Sciences pnas.orgProceedings of the National Academy of Sciencespnas.orgОткрыть источник ↗. Процедуру переменных-двойников авторы встроили в байесовскую модель.

BKF опирается на точную верхнюю границу апостериорной вероятности нулевой гипотезы. По данным авторов, граница выводится из байесовского свойства «смены знака», которое следует из самой процедуры.

Стандартные методы частотной парадигмы обычно создают переменные-двойники один раз, до подгонки модели. В BKF они создаются на каждой итерации метода Монте-Карло по цепям Маркова, что убирает изменчивость, связанную с единственной генерацией. По сравнению с несколькими наборами двойников авторы называют BKF более принципиальным способом учесть дополнительную информацию через априорные распределения в полностью байесовской постановке.

Кроме того, авторы разработали версию BKF на основе e-значений, которая теоретически гарантирует контроль частотной доли ложных открытий (FDR) pnas.orgProceedings of the National Academy of Sciencespnas.orgОткрыть источник ↗. В численных экспериментах на синтетических и реальных данных BKF показал сопоставимую мощность, более низкую FDR и более устойчивые наборы отобранных признаков, чем существующие методы с переменными-двойниками и байесовские подходы к отбору переменных, сообщили авторы.