대부분의 FDR 제어 기능 선택 (feature selection) 방법들은 각 기능이 단일 가중치 또는 중요도 점수를 갖는 좌표별 가설 (coordinate-wise hypotheses)을 위해 설계되었습니다. 이러한 추상화는 하나의 원래 기능이 시차 (lags), 순환 상태 (recurrent states) 또는 어텐션 기반 상호작용 (attention-based interactions)과 같은 하위 기능 블록으로 표현되는 순차적 (sequential) 및 그룹화된 모델 (grouped models)에서는 실패합니다. 우리는 이러한 설정을 위한 그룹화된 기능 (grouped-feature) FDR 제어 프레임워크를 제안합니다. 그룹화된 선형 모델 (grouped linear models)의 경우, 우리는 행렬 값 섭동 (matrix-valued perturbations)을 사용하여 귀무 대칭적 (null-symmetric) 블록 수준 미러 통계량 (mirror statistics)을 구축합니다. 신경망 순차 모델 (neural sequential models)의 경우, 모델 불가지론적 (model-agnostic) 블록 수준 중요도 점수인 Permutation SHAP 도함수 (derivatives)를 커널 기반 의존성 측정치 (kernel-based dependence measure)와 결합합니다. 이 프레임워크는 네트워크 아키텍처 전반에 걸쳐 모델 불가지론적 (model-agnostic)이며, 공변량 분포 (covariate distribution)를 지정할 필요가 없고, 블록 크기가 1일 때 Gaussian Mirror 또는 Neural Gaussian Mirror로 축소됩니다. 우리는 저차원 및 고차원 그룹화된 선형 모델에 대한 FDR 제어와 고정된 적합 비선형 모델 (fitted nonlinear models) 하에서 평활화된 (smoothed) Permutation SHAP 도함수의 점근적 대칭성 (asymptotic symmetry)을 증명합니다. 시뮬레이션 및 실제 데이터셋에 대한 실험은 상관관계가 있는 그룹화된 기능 신호 하에서 신뢰할 수 있는 FDR 제어와 향상된 검정력 (power)을 보여줍니다.