解像度の崩壊と分散のインフレーションの間：低データ領域における重み付き適合度（conformal）異常検知
arXiv stat.ML / 2026/3/25
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、標準的な適合度（conformal）に基づく異常検知が、実世界の分布シフト下では信頼できない場合があると主張し、低データかつ非定常な状況に対して重み付き適合度フレームワークを動機づける。
- 重み付けによって導入される重要なトレードオフを特定しており、重みが関連するキャリブレーション点に集中すると（実効サンプルサイズが減少する）、p値が過度に保守的になり得る。一方で、離散性を解消するための平滑化は分散を増大させ、異常を見えにくくしてしまう可能性がある。
- 著者らは、有限データの局所的な適応と裾（テール）の解像度を切り離すために、連続的な重み付きカーネル密度推定を用いた連続推論の緩和を提案する。
- 有限標本での厳密な成立を、漸近的妥当性へと緩和することで、モンテカルロのばらつきを除去し、離散化によって失われた統計的検出力を回復する。
- 実験結果から、異常の発見が改善されることが示され（離散的なベースラインでは検知が起こらない場合も含む）、実運用において周辺的誤差制御を有効に保ちながら、統計的検出力が向上する。
