論文の概要: Conformal novelty detection with false discovery rate control at the boundary

• arxiv url: http://arxiv.org/abs/2601.02610v1
• Date: Tue, 06 Jan 2026 00:02:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.754318
• Title: Conformal novelty detection with false discovery rate control at the boundary
• Title（参考訳）: 境界における偽発見率制御によるコンフォーマルノベルティ検出
• Authors: Zijun Gao, Etienne Roquain, Daniel Xiang,
• Abstract要約: コンフォーマルノベルティ検出は古典的な機械学習タスクである。 近年の研究では、共形p値に適用されたBH法が偽発見率(FDR)を制御することが示されている。
• 参考スコア（独自算出の注目度）: 3.10490198369453
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Conformal novelty detection is a classical machine learning task for which uncertainty quantification is essential for providing reliable results. Recent work has shown that the BH procedure applied to conformal p-values controls the false discovery rate (FDR). Unfortunately, the BH procedure can lead to over-optimistic assessments near the rejection threshold, with an increase of false discoveries at the margin as pointed out by Soloff et al. (2024). This issue is solved therein by the support line (SL) correction, which is proven to control the boundary false discovery rate (bFDR) in the independent, non-conformal setting. The present work extends the SL method to the conformal setting: first, we show that the SL procedure can violate the bFDR control in this specific setting. Second, we propose several alternatives that provably control the bFDR in the conformal setting. Finally, numerical experiments with both synthetic and real data support our theoretical findings and show the relevance of the new proposed procedures.
• Abstract（参考訳）: コンフォーマルノベルティ検出は、信頼性の高い結果を提供するために不確実性定量化が不可欠である古典的な機械学習タスクである。 近年の研究では、共形p値に適用されたBH法が偽発見率(FDR)を制御することが示されている。 残念なことに、BH法は拒絶しきい値付近で過度に最適化された評価を導き、Soloff et al (2024) が指摘しているように、マージンにおける誤った発見の増加につながる可能性がある。 この問題は、独立な非整合的な設定において境界偽発見率(bFDR)を制御することが証明されたサポートライン(SL)補正によって解決される。 本研究は, SL法を共形設定に拡張し, まず, SL法がbFDR制御に違反することを示す。 第二に、共形設定におけるbFDRを確実に制御するいくつかの代替案を提案する。 最後に, 合成データと実データの両方を用いて数値実験を行い, 提案手法の妥当性を示した。

関連論文リスト

• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• Discovering Causal Relationships using Proxy Variables under Unmeasured Confounding [42.70985072862832]
  観測研究における変数ペア間の因果関係の推測は極めて重要であるが,困難である。 我々は,不測の共同設立者の下で因果仮説をテストするために,離散的かつ連続的な設定を両立する一般的な非パラメトリックアプローチを開発する。 Intensive Care Data and World Values Surveyの広範囲なシミュレーションと実世界データによるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2025-10-20T05:13:12Z)
• DP-SPRT: Differentially Private Sequential Probability Ratio Tests [18.783606628556342]
  我々は、プライバシー制約の下で2つの単純な仮説のシーケンシャルなテストのために、ウォルドの有名なシークエンシャル確率比テストを再検討する。 所望のエラー確率とプライバシ制約を達成するために校正可能なラッパーであるDP-SPRTを提案する。
  論文  参考訳（メタデータ） (2025-08-08T15:09:13Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• On the Adversarial Robustness of Benjamini Hochberg [0.06144680854063938]
  Benjamini-Hochberg (BH) 法は、複数のテストにおいて偽検出率(FDR)を制御するために広く用いられている。 この制御は、重要な安全・安全の文脈で頼りにできるので、敵の堅牢性について検討する。
  論文  参考訳（メタデータ） (2025-01-06T21:41:53Z)
• Adaptive novelty detection with false discovery rate guarantee [1.8249324194382757]
  有限標本における検出された新規性に対する偽発見率(FDR)を柔軟に制御する手法を提案する。 複数のテスト文献に触発されて、nullの割合に適応するAdaDetectの変種を提案する。 これらの手法は、天体物理学の応用を含む、合成データセットと実世界のデータセットに説明される。
  論文  参考訳（メタデータ） (2022-08-13T17:14:55Z)
• Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
  本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。 提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
  論文  参考訳（メタデータ） (2022-03-09T01:55:59Z)
• Mitigating the Mutual Error Amplification for Semi-Supervised Object Detection [92.52505195585925]
  擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。 他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
  論文  参考訳（メタデータ） (2022-01-26T03:34:57Z)
• On the Practicality of Differential Privacy in Federated Learning by Tuning Iteration Times [51.61278695776151]
  フェデレートラーニング(FL)は、分散クライアント間で機械学習モデルを協調的にトレーニングする際のプライバシ保護でよく知られている。 最近の研究では、naive flは勾配リーク攻撃の影響を受けやすいことが指摘されている。 ディファレンシャルプライバシ(dp)は、勾配漏洩攻撃を防御するための有望な対策として現れる。
  論文  参考訳（メタデータ） (2021-01-11T19:43:12Z)
• Lower bounds in multiple testing: A framework based on derandomized proxies [107.69746750639584]
  本稿では, 各種コンクリートモデルへの適用例を示す, デランドマイズに基づく分析戦略を提案する。 これらの下界のいくつかを数値シミュレーションし、Benjamini-Hochberg (BH) アルゴリズムの実際の性能と密接な関係を示す。
  論文  参考訳（メタデータ） (2020-05-07T19:59:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。