该论文介绍了一个重新采样框架,用于构建精确、无分布偏差且非渐近保证的真实回归函数置信区间,以适应用户选择的信赖水平,并提出了具体算法以演示该框架。通过数值实验验证了算法,并将其与近似渐近保证的置信椭球进行比较。
Aug, 2023
研究数据无任何分布性假设条件下,针对二分类问题的不确定性量化中的三种方法 —— 标定、置信区间和预测集,建立了连接这三个概念的三角脚架,明确了使用基于评分函数的分类器才能进行无分布标定的必要条件。我们还推导了面向固定宽度和统一质量分组的二分类问题中的无分布概率分组方法的置信区间,这些区间可以导致无分布标定。此外,我们还推导了针对流数据和协变量转移的扩展。
Jun, 2020
本文考虑面向分布无关的预测推断问题,目标是生成有条件而非边缘的预测覆盖保证。我们旨在探索边缘覆盖保证的实际问题,并研究一些能够缓解一些实际关注的条件覆盖性质松弛类型,同时仍能在分布无关的环境下实现。
Mar, 2019
本文提出了基于顺应性推断的无分布预测推断的一般框架,并通过分析和比较其两个主要变体:完整顺应性推断和分裂顺应性推断以及相关的 jackknife 法,作出了在统计准确度和计算效率之间的不同权衡。与此同时,本文还发展了一种构建有效样本内预测间隔的方法,称为 “排名为一” 的顺应性推断。本文提出的所有提案的实施都可以使用 R 包 “conformalInference” 进行。
Apr, 2016
提出了一种基于统计方法的神经网络预测间隔构造方法,旨在解决其他相关研究的局限性,提供更为准确的预测区间并保证预测精度,该方法易于实施且适用于大多数深度神经网络。
May, 2019
本文介绍了分布式回归,在不假设误差项和协变量的分布的情况下,证明了当有效维度足够小时(由加倍维度测量),过度的预测风险会以多项式的方式收敛于零。
Feb, 2013
本文提出离散化的符合预测算法,它们可以保证在计算成本和预测准确性之间提供平衡,适用于在回归问题中构建可以覆盖目标值的预测区间。
Sep, 2017
该文提出了一个新颖的算法,用于构建自然参数的置信区间和 p 值,并使用高维线性回归问题和一个高通量基因组数据集进行测试。
Jun, 2013
本文提出了一种建立在鲁棒性预测推断上的不确定性估计模型,使用 conformal inference 方法建立了准确覆盖测试数据分布的预测集,通过估计数据漂移量建立了鲁棒性,并在多个基准数据集上进行了实验证明了该方法的重要性。
Aug, 2020
本文提出了一种区分学习框架,它在区间大小预算约束下,优化预期错误率,以构建归纳批处理中的预测区间。通过专注于预期误差,我们的方法允许条件错误率的变异性,这可以提高整体准确性或者减少平均区间大小。虽然我们考虑的问题是回归型的,但我们使用的损失是组合型的,这使我们能够提供 PAC 样式的有限样本保证。
Oct, 2017