학습 기반 가짜 발견율 제어 강화와 T‑Rex 선택기

초록

본 논문은 고차원 변수 선택에서 기존 T‑Rex 선택기의 보수적인 FDP 추정기를 신경망 기반 추정기로 교체하여, 목표 FDR 수준에 더 가깝게 보정하고 탐지력을 크게 향상시킨다. 다양한 합성 데이터와 실제 유전체 시뮬레이션을 통해 제안 방법이 기존 방법보다 높은 TPR을 유지하면서도 근사적인 FDR 제어를 달성함을 입증한다.

상세 분석

본 연구는 고차원( p≫n ) 상황에서 변수 선택 시 거짓 발견율(FDR)을 엄격히 제어하면서도 통계적 검출력(TPR)을 높이는 방법론적 공백을 메우고자 한다. 기존 T‑Rex 선택기는 더미 변수를 이용한 실험적 프레임워크와 분석적 FDP 추정식( dFDP )을 통해 유한표본 FDR 보장을 제공하지만, dFDP가 실제 FDP를 과대평가하는 경향이 있어 목표 FDR(α)보다 훨씬 낮은 수준으로 제어된다. 이는 특히 신호‑대‑잡음비(SNR)가 낮은 환경에서 진짜 변수들을 과도하게 배제하게 만들며, 전반적인 검출력을 저하시킨다.

논문은 이러한 보수성을 완화하기 위해, dFDP 대신 신경망 기반 추정기 ˆFDP 를 학습한다는 아이디어를 제시한다. 입력으로는 T‑Rex 실행 결과에서 얻은 상대 빈도 행렬 Φ와 보정 파라미터(v, T, L)를 평탄화한 벡터를 사용한다. 네트워크 구조는 3개의 ReLU 은닉층(128‑64‑32)과 시그모이드 출력으로 구성된 가벼운 MLP이며, 출력은