NONPARAMETRIC IPSS: FAST, FLEXIBLE FEATURE SELECTION WITH FALSE DISCOVERY CONTROL

论文结构清晰，从问题引出（现有方法不足）到提出新方法（非参数IPSS），再到理论基础、具体实现、模拟验证和真实数据应用，逻辑连贯。各部分内容相互支撑，结论由证据（模拟结果和真实数据分析）支持。

强项: 提出的方法有坚实的理论基础（基于IPSS的理论保证）。, 对比了多种现有方法（12种），涵盖不同类型（stability selection, knockoffs, 无理论控制方法）。, 模拟研究设计考虑了不同数据分布（高斯，RNA-seq），不同样本量和特征数，以及非线性关系，模拟设置较为真实和全面。, 性能评估使用了多个关键指标（FDR, TPR, 预测误差, 运行时长）。, 在真实数据应用中结合了文献搜索和交叉验证来评估选定特征的相关性和预测价值。, 详细描述了方法的实现细节和参数设置，包括预选择策略。, 提供了代码和数据，支持一定程度的可复现性。
弱项: 对部分对比方法（RFEGB, RFHT）由于运行时长和初步性能不佳，在后续实验中被省略，尽管提供了初步结果，但这可能影响对这些方法的全面比较。, Model-X knockoffs在不知道联合分布时的近似方法细节未完全展开讨论，可能影响对其表现不佳原因的深入理解。

论文通过广泛的模拟研究（多种设置，重复100次试验）和两个独立的真实世界癌症数据集的应用（包括多个亚研究和详细的交叉验证分析），提供了充分的证据支持其主要结论，即IPSSGB和IPSSRF在控制错误发现和提升能力方面优于现有方法。

主要贡献在于将IPSS理论框架推广到可应用于任意特征重要性得分，特别是来自非参数模型的得分。这克服了先前IPSS仅限于参数模型的限制，提供了新的非参数特征选择方法（IPSSGB，IPSSRF），具有较高的原创性。

该方法在理论上提供了有限样本错误发现控制，在实践中表现出更高的真阳性检测能力和计算效率，并且不依赖于参数假设或已知特征联合分布，这使其在处理高维、复杂关系的真实数据（如生物医学数据）时具有重要的应用潜力。代码的公开也增加了其潜在影响。

强项: 使用了准确、规范的学术术语。, 方法和理论的描述清晰易懂。, 模拟设计和结果解释详细。, 句子结构清晰，表达流畅。
改进点: 无