面向分布内数据的保形数据污染检验研究

2026年10月9日，arXiv 统计学机器学习栏目发布论文，提出一种面向分布内数据获取的无分布假设、污染感知数据获取框架。该框架仅检查少量数据，即可识别对模型个性化最有价值的外部数据代理。研究引入基于保形异常检测的两样本检验，声称在任意污染水平下保持有效；同时提出新型 Storey 型检验，通过 Benjamini-Hochberg 过程实现有限样本错误发现率控制。论文称实验在多种协作学习场景中验证了方法的稳健性与有效性。目前报道仅涉及该论文内容，尚无后续验证或独立评论。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。