2026 年 10 月 15 日，Mengtao Wen、Haojie Ren 与 Changliang Zou 在 arXiv 发布预印本，提出变量选择方法 MAS：把某个变量换成常数“代理”，看模型预测误差变差多少，再用 knockoff 式对称阈值控制错误发现率（FDR），无需知道协变量的联合分布。作者模拟中，重尾噪声加强相关时它比近似 knockoff 更守得住 FDR，线性模型里功效则不及专门方法。
论文发布与 knockoff 的分布难题
这篇论文题为《Controlling the False Discovery Rate via Model-Agnostic Importance Measures》，arXiv 编号 2610.21360，v1 于 2026 年 10 月 15 日 06:39（UTC）提交，主分类为统计方法（stat.ME），交叉列入统计机器学习（stat.ML）。第一作者 Mengtao Wen 与 Changliang Zou 署名南开大学统计与数据科学学院，通讯作者 Haojie Ren 署名上海交通大学数学科学学院。截至发稿，它仍是未经同行评审的预印本，arXiv 页面没有期刊发表信息。
它要解决的是高维研究里的老问题：手上有 p 个候选变量（比如几百个基因突变位点），想找出在控制其他变量后仍与结果 Y 相关的那些，同时保证错误发现率——选出的变量里假阳性所占比例的期望——不超过预设水平 α。Barber 与 Candès 2015 年发表的 knockoff 过滤器为每个变量造一个“仿冒品”，让真假变量同场竞争，但要求线性模型且样本量不少于变量数；2018 年发表的 Model-X knockoff 放开了对 Y 模型的限制，代价是必须知道协变量 X 的联合分布。现实中这个分布通常未知，只能近似（例如二阶高斯近似），FDR 能否守住就取决于近似得好不好。打个比方：knockoff 要给每位候选人找一个连人际关系都一模一样的替身，替身不像，比赛就不公平。
MAS 的三处改动
MAS 的思路是不造替身，而是让变量“请假”。作者定义了“代理变量重要性”（agent-X importance）：先训练一个预测模型，再把第 j 个变量的取值全部换成与 Y 无关的代理值（对标准化变量推荐取常数 z₀.₉₅ ≈ 1.645），比较替换前后的预测误差。变量真有用，误差会明显变大；变量无关，误差基本不变。与常见的“留一变量”（LOCO）做法相比，它不必删掉变量后重新拟合 p 个模型，计算量大幅下降。论文还给了一个两变量高斯例子：当两变量相关系数 ρ 趋近 ±1 时，LOCO 重要性按 (1−ρ²) 缩到零，代理变量重要性则保持不变。
第二处改动针对统计量之间的相关。为避免零假设下统计量退化，MAS 采用 5 折交叉拟合，并把每折的评估样本一分为二，一半算替换后的误差、一半算原始误差；关键在于这次二分对每个变量独立重新抽签（resplit-per-covariate）。如果所有变量共用同一次切分，无关变量的估计值几乎一模一样，FDR 会失真；各自重抽后，它们近似互不相关。第三处改动是“数据聚合”：给每个统计量乘上一个辅助权重，放大信号、弥补样本切分损失的功效。最后沿用 knockoff 式的无 p 值阈值：无关变量的统计量在零附近正负对称，真信号偏向正值，于是用低于 −t 的个数估计高于 t 的假发现数，取比值不超过 α 的最小 t 作为门槛。
理论上，作者证明 MAS 在样本量与变量数同时增大时渐近控制 FDR，前提是所用学习算法（lasso、XGBoost 等）收敛到最优预测函数。Model-X knockoff 则在协变量分布已知时给出有限样本下的精确保证。换句话说，MAS 把“必须知道 X 的分布”换成了“必须有一个足够好的预测模型”。
对比证据：模拟与 HIV-1 数据
论文的证据全部来自作者自己的模拟和一组公开数据，模拟均重复 400 次，目标 FDR 设为 20%。在线性模型的消融实验中（n=400、p=250、10% 变量为真信号、学习算法用 lasso），MAS 的 FDR 为 19.3%、功效 65.5%；Model-X knockoff 的 FDR 只有 4.4%，过于保守，功效 55.1%。把代理变量重要性换回 LOCO 后，功效跌到 1.2%，运行时间从 4.2 涨到 478.4（论文表中单次重复耗时）。直接对 LOCO 的 p 值做 BH 校正则表现两极：要么一个都不选，要么几乎全选。
差别最明显的是复杂非线性模型（n=600、p=100、20 个真信号）：作者让协变量和噪声都来自重尾的 t(3) 分布，并逐步加大变量间相关 ρ。下表摘自论文表 3（FDR / 功效）：
| 相关系数 ρ | MAS-XGBoost | MAS-集成学习 | Knockoff |
|---|---|---|---|
| 0 | 19.3% / 60.5% | 18.5% / 79.3% | 8.2% / 80.4% |
| 0.2 | 19.2% / 60.2% | 18.7% / 79.5% | 14.0% / 81.5% |
| 0.4 | 19.3% / 56.6% | 17.5% / 79.3% | 23.4% / 82.0% |
| 0.6 | 17.8% / 46.4% | 20.4% / 77.6% | 29.5% / 76.8% |
ρ 升到 0.4 以后，近似高斯 knockoff 的 FDR 超过 20% 的目标，ρ=0.6 时达到 29.5%；两种 MAS 都停在 20% 附近。在正态分布设定下，knockoff 反而偏保守（FDR 7.8%–13.1%）。另一面，MAS 的功效明显取决于学习算法：同样的重尾强相关场景，XGBoost 版本只有 46.4%，换成 lasso、随机森林与 XGBoost 的堆叠集成后升到 77.6%。
并非所有场景 MAS 都占优。在线性模型（n=600、p=400、80 个真信号）里，基于去偏 lasso 的 BH 方法和数据分割法（DS）功效都高于 MAS 与 knockoff——它们本就是为线性模型设计的。在较简单的非线性模型中，高斯近似 knockoff 已经够用，MAS 的功效低于 knockoff。真实数据方面，作者分析了 HIV-1 蛋白酶抑制剂耐药数据，对 7 种药物逐一检测与耐药相关的突变，以已知的治疗选择突变（TSM）列表近似作为真值，各方法重复运行 100 次。结果显示 MAS 与 knockoff 的 FDR 控制好于 DS 和 BH，DS 在 APV、IDV、NFV、RTV 四种药物上 FDR 超标；MAS 的功效与 knockoff 相当，在不同药物间更稳定。这组结果在论文中只以箱线图呈现，没有给出逐药数值。
适用边界与选用建议
- 证据层级：这是 2026 年 10 月 15 日首发的预印本，尚无同行评审和独立复现；我们查阅的 arXiv HTML 全文未给出 MAS 的实现代码链接，想试用需按论文算法自行实现。
- 保证类型：FDR 控制是渐近的，依赖学习算法收敛。如果协变量分布能够可靠建模，Model-X knockoff 的有限样本保证仍然更硬。
- 学习器决定功效：在 n=600 的线性模型中改用随机森林时，p=200 下 MAS 的功效仅 0.6%；论文提出的协变量自适应增强版能升到 11.6%，但作者承认这一版本还缺乏严格理论。
- 代理值需要权衡：代理常数越大功效越高，但小样本下 FDR 更容易超标；论文推荐的 z₀.₉₅ 是其模拟设定下的折中，并非普适最优。
- 样本切分的代价：交叉拟合与逐变量二分会损失功效，也让结果随切分随机变化，实际使用宜多次重复运行并报告选择结果的稳定性。
- 怎么选：相信线性模型时，去偏 lasso 加 BH 或数据分割法通常更有力；关系复杂、协变量分布难以建模而预测模型较好训练时，MAS 可以作为 knockoff 之外的备选，作者也明确把它推荐给高维稀疏问题。