論文の概要: Between Resolution Collapse and Variance Inflation: Weighted Conformal Anomaly Detection in Low-Data Regimes

• arxiv url: http://arxiv.org/abs/2603.23205v1
• Date: Tue, 24 Mar 2026 13:51:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.507509
• Title: Between Resolution Collapse and Variance Inflation: Weighted Conformal Anomaly Detection in Low-Data Regimes
• Title（参考訳）: 分解能崩壊と可変インフレーション:低値レジームにおける重み付きコンフォーマル異常検出
• Authors: Oliver Hennhöfer, Christine Preisach,
• Abstract要約: 実世界のデータは、しばしば分布シフトを示し、局所的な非定常性に適応するために重み付けされた共形的アプローチを必要とする。 この適応は、到達可能な最小p値と安定性の間に重要なトレードオフをもたらすことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Standard conformal anomaly detection provides marginal finite-sample guarantees under the assumption of exchangeability . However, real-world data often exhibit distribution shifts, necessitating a weighted conformal approach to adapt to local non-stationarity. We show that this adaptation induces a critical trade-off between the minimum attainable p-value and its stability. As importance weights localize to relevant calibration instances, the effective sample size decreases. This can render standard conformal p-values overly conservative for effective error control, while the smoothing technique used to mitigate this issue introduces conditional variance, potentially masking anomalies. We propose a continuous inference relaxation that resolves this dilemma by decoupling local adaptation from tail resolution via continuous weighted kernel density estimation. While relaxing finite-sample exactness to asymptotic validity, our method eliminates Monte Carlo variability and recovers the statistical power lost to discretization. Empirical evaluations confirm that our approach not only restores detection capabilities where discrete baselines yield zero discoveries, but outperforms standard methods in statistical power while maintaining valid marginal error control in practice.
• Abstract（参考訳）: 標準共形異常検出は交換可能性の仮定の下で限界有限サンプルを保証する。 しかし、実世界のデータは、しばしば分布シフトを示し、局所的な非定常性に適応するために重み付けされた共形的アプローチを必要とする。 この適応は、到達可能な最小p値と安定性の間に重要なトレードオフをもたらすことを示す。 重みが関連するキャリブレーションのインスタンスに局在するにつれて、有効なサンプルサイズは減少する。 これにより、有効なエラー制御のために標準の共形p値が過度に保守的である一方で、この問題を緩和するために使用される平滑化技術は条件分散を導入し、潜在的な異常を隠蔽する。 本稿では、このジレンマを連続重み付きカーネル密度推定により、テール分解から局所的な適応を分離して解決する連続推論緩和法を提案する。 有限サンプル精度を漸近的妥当性に緩和しながら,モンテカルロ変動を排除し,離散化によって失われる統計力を回復させる。 実験的な評価により, 離散ベースラインがゼロとなる検出能力を回復するだけでなく, 有効限界誤差制御を維持しつつ, 統計的パワーの標準手法よりも優れていたことが確認された。

関連論文リスト

• Prediction-Powered Conditional Inference [15.801272841475681]
  本研究では,ラベル付きデータが少ない環境での予測型条件推論について検討する。 提案手法は,局所化と予測に基づく分散化を併用する。 シミュレーションおよび実データセットに関する数値実験は、有効な条件付きカバレッジを示す。
  論文  参考訳（メタデータ） (2026-03-05T17:13:06Z)
• Non-exchangeable Conformal Prediction with Optimal Transport: Tackling Distribution Shifts with Unlabeled Data [13.788274786492286]
  コンフォーマル予測は、分散のない不確実性定量化手法であり、機械学習コミュニティで人気を博している。 最も一般的な変種であるスプリット共形予測は、モデルがまだ見ていないキャリブレーションデータに基づくモデル予測の統計を収集するため、計算的に効率的である。 対象範囲の損失を推定し,任意の分布シフトを緩和し,原理的かつ広く適用可能なソリューションを提供することが可能であることを示す。
  論文  参考訳（メタデータ） (2025-07-14T16:10:55Z)
• Multivariate Latent Recalibration for Conditional Normalizing Flows [6.932606401614012]
  ラテント校正は、ラテントキャリブレーション上の有限サンプル境界を持つラテント空間の変換を学ぶ。 LRは再校正モデルの潜時校正誤差と負の対数類似度を一貫して改善する。
  論文  参考訳（メタデータ） (2025-05-22T13:08:20Z)
• Rectifying Conformity Scores for Better Conditional Coverage [75.73184036344908]
  本稿では,分割共形予測フレームワーク内で信頼セットを生成する新しい手法を提案する。 本手法は,任意の適合度スコアのトレーニング可能な変換を行い,条件付き範囲を正確に確保しつつ,条件付き範囲を改善する。
  論文  参考訳（メタデータ） (2025-02-22T19:54:14Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
  本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。 提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。 我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
  論文  参考訳（メタデータ） (2020-11-05T08:04:34Z)
• Log-Likelihood Ratio Minimizing Flows: Towards Robust and Quantifiable Neural Distribution Alignment [52.02794488304448]
  そこで本研究では,対数様比統計量と正規化フローに基づく新しい分布アライメント手法を提案する。 入力領域の局所構造を保存する領域アライメントにおいて,結果の最小化を実験的に検証する。
  論文  参考訳（メタデータ） (2020-03-26T22:10:04Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。