Model-free selective inference under covariate shift via weighted conformal p -values
协变量偏移下基于加权共形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。
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：摘要明确把多个个体处理效应推断列为方法用途，并提供因果推断应用，因此选择因果推断方向。
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
协变量偏移下基于加权共形p值的无模型选择性推断
- 研究问题
- 训练与测试协变量分布不同、测试响应缺失时，如何选择响应超过指定阈值的个体，并控制选择中的假阳性比例？
- 方法与思路
- 作者用任意预测模型构造加权共形p值，再设计加权共形选择程序，处理这些p值不满足经典多重检验依赖条件的问题。
- 材料陈述的贡献
- 摘要称，新程序在有限样本下控制错误发现率，并可用于多个个体处理效应推断及正常样本分布偏移下的异常检测。
- 阅读关注点
- 应核对协变量偏移假设、权重获得方式与校准条件，以及选择规则、p值依赖和个体处理效应应用的识别要求。
- 阅读边界
- 仅依据所给Crossref摘要；权重与分布条件未说明，无模型表述不能理解为完全无假设，也不能据此保证权重估计后仍有效。
原文摘要
Summary 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 modelling assumptions on the data and without restriction on the model for predicting the responses? Finally, 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 onto classical multiple testing procedures since they may not obey a well-known positive dependence property. Hence, we introduce weighted conformal selection, a new procedure that controls the false discovery rate in finite samples. Besides prediction-assisted candidate selection, weighted conformal selection (i) allows us to infer multiple individual treatment effects, and (ii) extends to outlier detection with inlier distribution shifts. We demonstrate performance via simulations and applications to causal inference, drug discovery and outlier detection datasets.