基于真实发现率控制的保守新颖性检测
统计方法学
2026-03-16 v2 机器学习
摘要
保守新颖性检测是机器学习中的经典任务，uncertainty quantification 对提供可靠结果至关重要。最近的工作表明，对保守 p 值应用 BH 程序可控制假发现率 (FDR)。不幸的是，BH 程序可能导致在拒绝阈值附近过于乐观的评估，随着 Soloff 等人 (2024) 指出的，假发现在边缘处增加。该问题在 support line (SL) 校正中得到解决，SL 程序被证明在独立、非保守设置下可控制边界假发现率 (bFDR)。本工作将 SL 方法扩展到保守设置：首先，我们展示 SL 程序在此特定设置下可能违反 bFDR 控制。其次，我们提出了若干替代方案，必然在保守设置下控制 bFDR。最后，数值实验结合合成数据和真实数据支持我们的理论发现，显示新提出的程序的相关性。
引用
@article{arxiv.2601.02610,
title = {Conformal novelty detection with false discovery rate control at the boundary},
author = {Zijun Gao and Etienne Roquain and Daniel Xiang},
journal= {arXiv preprint arXiv:2601.02610},
year = {2026}
}
备注
43 pages, 17 figures, 1 table