CatNet: Controlling the False Discovery Rate in LSTM with SHAP Feature Importance and Gaussian Mirrors
创建于 更新于
摘要
报告提出CatNet算法，结合SHAP值导数与时间序列核依赖度量，有效控制LSTM模型中的假发现率（FDR），提升特征选择的准确性和模型解释性。实证中，CatNet在线性与非线性时间序列预测中均展现出高统计功效和稳健的FDR控制，且在标普500成分股价格预测中显著提升准确率，展示了其在复杂序列模型中的应用潜力 [page::0][page::1][page::4][page::5][page::6][page::7][page::8]。
