假设你要从成千上万个指标里，找出哪些因素会推高最差那一成的结果。候选变量可能比样本还多，直接全部分析并不稳定；先筛一遍，又容易把噪声当成线索。这项工作关注的正是：筛出重要变量时，怎样同时约束误选。
论文题为《Model-free Feature Screening and False Discovery Control for High-dimensional Quantile Regressions》。分位数回归研究中位数、第90百分位等位置，而不只看平均值，因此能观察变量对结果中部和尾部是否影响不同。所谓“无模型”筛选，是不预先限定线性关系或特定误差分布；错误发现率（FDR）则衡量入选变量中假阳性比例的期望。把两者接起来，价值在于让高维筛选不只追求“别漏掉”，也正面回答“报出的发现里大约多少是误报”。
据 Taylor & Francis 出版方页面，该文属于 JASA 的 Theory and Methods 类，第一作者为 Cong Cheng，accepted author version 于2026年9月10日上线。公开材料只有标题，尚不足以可靠复述具体算法、实验设置或效果数字。