带区间估计的一致预测
本文提出一种名为局部合规预测的新的推理框架,它通过提供围绕测试样本的局部区域的自适应构建的单次测试样本,以及与不同合规得分结构相结合,来推广合规预测的框架。该框架享有无假设的有限样本边际覆盖保证,并在适当的假设条件下提供额外的局部覆盖保证。我们展示了如何使用多个合规分数从合规预测变为局部合规预测,并通过数值实例说明了潜在的收益。
Jun, 2021
本文研究机器翻译的不确定性评估方法,发现目前大多数方法对模型不确定性的估计较低,建议采用分布自由的合规预测法来保证覆盖度,并提出条件合规预测技术来获得每个数据子组的校准子集,从而实现覆盖率均衡。
Jun, 2023
本文提出了基于特征空间的符合性预测方法,利用深度学习的归纳偏差将该方法扩展到语义特征空间,从理论上证明其在温和假设下优于传统方法,并且结合不仅限于普通的符合性预测算法,还可以与其他自适应符合性预测方法结合,从现有的预测推断 benchmark 以及 ImageNet 分类和 Cityscapes 图像分割等大规模任务的实验中证明了该方法的最佳性能。
Oct, 2022
本文综述了关于符合预测的基本思想和新发展 —— 一种革新的无分布、非参数预测方法,基于最少的假设,能够以一种非常简单的方式得出在统计意义上的预测集,本文详细讨论了符合预测的理论基础,然后列举了原始思想的更高级的发展和适应方法。
May, 2020
本文介绍了一种新的预测方法,将 Conformal prediction 和经典的 quantile regression 相结合,使其完全适应异方差性,并且能够在不做分布假设的情况下,建立具有有效覆盖率的预测区间,相比其他 conformal 方法,本文提出的方法具有更高的效率和更短的预测区间。
May, 2019
介绍了一种基于本地模型性能的条件密度估计模型的本地 conformal 方法 MD-split ,可用于复杂的现实世界数据设置,用于确定 X 分区,并与其他本地 conformal 方法进行比较。
Jul, 2021