Testing for outliers with conformal p-values
利用共形 p 值检验异常值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：摘要研究一般异常检测与多重检验，未明确涉及金融尾部风险或其他所列应用领域。
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…
利用共形 p 值检验异常值
- 研究问题
- 当多个独立新样本与同一参考数据集比较时，如何构造异常值检验的 p 值，并处理其依赖性及多重检验错误控制？
- 方法与思路
- 作者分析共形 p 值的正依赖性，再构造给定训练数据条件有效且测试点间独立的 p 值，并用集中不等式建立有限样本保证。
- 材料陈述的贡献
- 摘要称获得较弱边际意义下的精确错误发现率控制，并提出更强条件保证的路径及任意异常检测算法假阳性率的统一置信界。
- 阅读关注点
- 应核对训练、参考与测试样本的关系，区分边际和条件有效性，并检查错误发现率控制与阈值统一置信界各自的假设。
- 阅读边界
- 仅据版本未注明的索引摘要，无法判断条件构造的计算代价及功效；边际错误控制不能直接解释为每个训练数据集上的保证。
原文摘要
This paper studies the construction of p-values for nonparametric outlier detection, from a multiple-testing perspective. The goal is to test whether new independent samples belong to the same distribution as a reference data set or are outliers. We propose a solution based on conformal inference, a general framework yielding p-values that are marginally valid but mutually dependent for different test points. We prove these p-values are positively dependent and enable exact false discovery rate control, although in a relatively weak marginal sense. We then introduce a new method to compute p-values that are valid conditionally on the training data and independent of each other for different test points; this paves the way to stronger type-I error guarantees. Our results depart from classical conformal inference as we leverage concentration inequalities rather than combinatorial arguments to establish our finite-sample guarantees. Further, our techniques also yield a uniform confidence bound for the false positive rate of any outlier detection algorithm, as a function of the threshold applied to its raw statistics. Finally, the relevance of our results is demonstrated by experiments on real and simulated data.