Collective Outlier Detection and Enumeration with Conformalized Closed Testing
基于共形化闭合检验的集体异常检测与计数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：摘要研究通用异常检测与粒子碰撞应用，未提供金融风险、结构变化或其他所列领域的明确依据。
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…
基于共形化闭合检验的集体异常检测与计数
- 研究问题
- 当异常信号稀疏、微弱或难以定位，整体上却能够检测其存在时，如何进行集体异常检测并推断异常数量？
- 方法与思路
- 作者结合共形推断、闭合检验、多重检验及自适应秩检验，并设计自动选择机器学习分类器和两样本检验程序的方法。
- 材料陈述的贡献
- 摘要称，提出灵活的无分布方法，其关键创新是针对数据自动选择分类器与检验程序，并通过多项实验和粒子碰撞数据展示表现。
- 阅读关注点
- 应核对异常计数输出的含义、无分布保证需要的采样条件，以及自动选择模型和检验后如何维持闭合检验的错误控制。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；异常数量的保证形式和数据条件未说明，不能把无分布表述理解为任意依赖数据下均有效。
原文摘要
This paper develops a flexible distribution-free method for collective outlier detection and enumeration, designed for situations in which the presence of outliers can be detected powerfully even though their precise identification may be challenging due to the sparsity, weakness, or elusiveness of their signals. This method builds upon recent developments in conformal inference and integrates classical ideas from other areas, including multiple testing, locally most powerful and adaptive rank tests, and non-parametric large-sample asymptotics. The key innovation lies in developing a principled and effective approach for automatically choosing the most appropriate machine learning classifier and two-sample testing procedure for a given data set. The performance of our method is investigated through extensive empirical demonstrations, including an analysis of the LHCO high-energy particle collision data set.