OptCS：数据驱动评分后仍控FDR的共形选择框架

2026年10月22日，arXiv人工智能分类下的一篇报道介绍了 Tian Bai 与 Ying Jin 提出的优化共形选择框架 OptCS。该框架旨在解决一个核心问题：在灵活的数据驱动评分构建之后，仍能进行有效的多重检验。报道称，OptCS 允许在大量数据复用的情况下构造有效的共形 p 值，并维持有限样本下的 FDR 控制。该框架给出三种控制 FDR 的流程：从多个候选中挑选强评分函数、不做样本划分而用全部标注数据训练评分，以及结合全样本训练与模型选择。研究通过模拟实验，以及在药物发现和大语言模型中的实际应用，验证了方法效果。目前事件进展停留在框架提出与效果验证阶段，尚无后续跟进报道。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。