基于保形 E 值的 FDR 控制的去随机化新颖性检测
机器学习
2023-10-25 v3 统计方法学
摘要
保形推断提供了一种通用的无分布方法，可严格校准任何机器学习算法用于新颖性检测的输出。尽管该方法有许多优点，但其局限性在于是随机化的，即在对同一数据两次分析时可能导致不同结果，这会妨碍对任何发现的解读。我们提出通过利用合适的保形 e 值而非 p 值来量化统计显著性，从而使保形推断更加稳定。该方案允许对同一数据的多次分析所收集的证据被有效聚合，同时可证明地控制错误发现率（FDR）。此外，我们表明所提方法相比标准保形推断能在不大损失功效的情况下减少随机性，部分得益于一种基于从同一数据精心提取的额外侧面信息对保形 e 值进行加权的创新方式。基于合成与真实数据的模拟证实了该方案可有效消除最先进替代技术所得推断中的随机噪声，有时还能带来更高功效。
引用
@article{arxiv.2302.07294,
title = {Derandomized Novelty Detection with FDR Control via Conformal E-values},
author = {Meshi Bashari and Amir Epstein and Yaniv Romano and Matteo Sesia},
journal= {arXiv preprint arXiv:2302.07294},
year = {2023}
}
备注
35 pages, 24 figures