Adaptive novelty detection with false discovery rate guarantee
具有错误发现率保证的自适应新异检测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究一般新异检测与多重检验，应用包含天体物理，未给出金融风险或其他所列细分领域的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
具有错误发现率保证的自适应新异检测
- 研究问题
- 已有一组典型观测时，如何自适应识别新异观测，同时在有限样本中控制被标记结果的错误发现率？
- 方法与思路
- 作者结合多重检验与保形推断，提出可包装概率分类算法的 AdaDetect，学习数据自适应变换并构造适应真零比例的变体。
- 材料陈述的贡献
- 摘要称，在可交换性之外不需其他分布假设即可控制有限样本错误发现率，并通过合成及真实数据展示方法。
- 阅读关注点
- 应核对可交换性涉及哪些观测、典型样本与待测样本如何使用，以及自适应学习和真零比例调整如何保留控制保证。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；可交换性的精确定义与功效结果未说明，不能把错误发现率控制等同于逐项无误。
原文摘要
This paper studies the semisupervised novelty detection problem where a set of “typical” measurements is available to the researcher. Motivated by recent advances in multiple testing and conformal inference, we propose AdaDetect, a flexible method that is able to wrap around any probabilistic classification algorithm and control the false discovery rate (FDR) on detected novelties in finite samples without any distributional assumption other than exchangeability. In contrast to classical FDR-controlling procedures that are often committed to a pre-specified p-value function, AdaDetect learns the transformation in a data-adaptive manner to focus the power on the directions that distinguish between inliers and outliers. Inspired by the multiple testing literature, we further propose variants of AdaDetect that are adaptive to the proportion of nulls while maintaining the finite-sample FDR control. The methods are illustrated on synthetic datasets and real-world datasets, including an application in astrophysics.