Uncertainty Quantification in Anomaly Detection with Cross-Conformal $p$-Values

要約

信頼性が高く、説明可能な機械学習の重要性が高まる中、異常検知システムの不確実性定量化の要件はますます重要になってきている。この文脈において、これらのシステムの統計的検出力($1-β$)を損なうことなく、タイプIエラー率($α$)を効果的に制御することは、信頼を構築し、特にフォローアップ手順が高価である場合に、誤発見に関連するコストを削減することができる。適合予測の原理を活用することは、モデルの不確実性を校正することにより、それぞれの統計的保証を提供する有望なアプローチとして浮上する。本研究では、予測タスク用に設計されたよく知られた共形的手法に基づき、共形的共形的共形的異常検知と呼ばれる、異常検知のための新しいフレームワークを導入する。これにより、モデルの較正のための分割共形的アプローチに依存する帰納的共形的異常検出の文脈における先行研究を拡張することで、自然な研究ギャップに対処する。コンフォーマル予測から得られた知見に基づき、我々は、クロスコンフォーマル$p$値を計算するための導出された手法が、ベンチマークデータセットにおける不確実性を定量化した異常検出において、統計的効率性（フルコンフォーマル）と計算効率性（スプリットコンフォーマル）の実用的な妥協点を突いていることを実証する。

要約(オリジナル)

Given the growing significance of reliable, trustworthy, and explainable machine learning, the requirement of uncertainty quantification for anomaly detection systems has become increasingly important. In this context, effectively controlling Type I error rates ($\alpha$) without compromising the statistical power ($1-\beta$) of these systems can build trust and reduce costs related to false discoveries, particularly when follow-up procedures are expensive. Leveraging the principles of conformal prediction emerges as a promising approach for providing respective statistical guarantees by calibrating a model’s uncertainty. This work introduces a novel framework for anomaly detection, termed cross-conformal anomaly detection, building upon well-known cross-conformal methods designed for prediction tasks. With that, it addresses a natural research gap by extending previous works in the context of inductive conformal anomaly detection, relying on the split-conformal approach for model calibration. Drawing on insights from conformal prediction, we demonstrate that the derived methods for calculating cross-conformal $p$-values strike a practical compromise between statistical efficiency (full-conformal) and computational efficiency (split-conformal) for uncertainty-quantified anomaly detection on benchmark datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL