Model-free selective inference under covariate shift via weighted conformal p-values
协变量漂移下基于加权共形p值的无模型选择性推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：论文主体是通用选择性推断，但摘要明确给出多重个体处理效应推断扩展和因果应用，因此选择因果推断。
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…
关注这篇论文的作者
协变量漂移下基于加权共形p值的无模型选择性推断
- 研究问题
- 训练与测试数据存在协变量漂移且测试响应缺失时，如何选择响应超过指定阈值的单位，同时控制错误发现比例？
- 方法与思路
- 作者以任意预测模型构造加权共形p值，再提出WCS程序，处理这些p值的依赖结构以控制有限样本错误发现率。
- 材料陈述的贡献
- 摘要称，WCS具有有限样本FDR控制，可用于候选筛选、多重个体处理效应推断和分布漂移下的异常检测。
- 阅读关注点
- 应核对协变量漂移及权重所需条件、p值构造和依赖处理方式，以及扩展到个体处理效应时的推断对象。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未获核验；摘要未列出有限样本保证的全部条件，不能理解为完全无假设。
原文摘要
This paper introduces novel weighted conformal p-values and methods for model-free selective inference. The problem is as follows: given test units with covariates $X$ and missing responses $Y$, how do we select units for which the responses $Y$ are larger than user-specified values while controlling the proportion of false positives? Can we achieve this without any modeling assumptions on the data and without any restriction on the model for predicting the responses? Last, methods should be applicable when there is a covariate shift between training and test data, which commonly occurs in practice. We answer these questions by first leveraging any prediction model to produce a class of well-calibrated weighted conformal p-values, which control the type-I error in detecting a large response. These p-values cannot be passed on to classical multiple testing procedures since they may not obey a well-known positive dependence property. Hence, we introduce weighted conformalized selection (WCS), a new procedure which controls false discovery rate (FDR) in finite samples. Besides prediction-assisted candidate selection, WCS (1) allows to infer multiple individual treatment effects, and (2) extends to outlier detection with inlier distributions shifts. We demonstrate performance via simulations and applications to causal inference, drug discovery, and outlier detection datasets.