May, 2023

自适应一致回归：杰克刀 + 重新缩放的得分

PDF
TL;DR本文提出了一种新的自适应方法，基于重新缩放符合规范的分数与本地分数分布的估计，解决了不均匀覆盖率的问题，从而在不破坏校准检验可交换性的情况下利用校准数据进行符合规范的评分。该方法提供了一种新型的预测间隔，具有全局覆盖率保证，并且在低数据情况下表现更优，特别适用于需要准确量化不确定因素的实际应用，如医疗保健领域。
conformal regressionprediction intervalsjackknife+local coveragecalibration data
发现论文，激发创造
  • 快速自适应预测区间的回归树

    提供一种新的方法，用于校准具有局部覆盖保证的回归问题的预测区间，该方法基于训练回归树和随机森林的合规得分创建最粗糙的特征空间划分，适用于各种合规得分和预测设置，且在模拟和实际数据集中表现出比现有基准更优的可扩展性和性能。

    Feb, 2024

  • 具有有效和自适应覆盖范围的分类

    本文提出了新型一致性得分，结合适用于分类问题的定制化 Conformal inference、交叉验证、Jackknife 等方法，在保证边际覆盖率的前提下，也可以应对复杂的数据分布，其在合成数据和真实数据上获得实际价值和统计优势。

    Jun, 2020

  • 异方差整体回归

    本文研究了如何使用规范预测方法构建自适应预测区间，通过使用归一化和蒙德里安规范预测等方法，在理论和实验结果中进行系统性调查。

    Sep, 2023

  • 基于保序化的分位数回归

    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

  • 本地化拟合预测：一种基于推理的拟合预测通用框架

    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

  • 无分布条件下的回归预测推断

    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

  • 带区间估计的一致预测

    提出了一种名为局部一致性预测的新方法，它可以仅使用新测试样本周围的局部区域来构建置信区间，旨在将数据互换性打破为测试样本赋予特殊角色的情况下，推广了一致性预测方法，并证明了其假设无关与有限样本覆盖保证，并在模拟中比较了局部一致性预测和一致性预测的行为。

    Aug, 2019

  • 调整后岭回归的效率

    探究贝叶斯岭回归在满足标准贝叶斯假设的情况下，与等效算法相比，异步共形预测集有效性的要求是否被满足。结果显示，在这种情况下，渐近共形预测集与岭回归预测区间的差异很小。

    Apr, 2014

  • 嵌套一致性预测和袋外分位数集成方法

    本文讲述了一个基于嵌套的框架的可靠预测方法，使用该方法，我们设计并实现了 QOOB 算法，它将四个想法整合在一起：分位数回归、交叉合规化、集成方法和袋外预测。在模拟和真实数据集上的实验中，QOOB 的表现要么最佳，要么接近最佳。

    Oct, 2019

  • 增加校准的一种通用后处理方法：压缩生存分布

    本文介绍了一种利用合规回归方法改进模型校准而不降低判别能力的新方法，通过对 11 个真实数据集进行验证，展示了该方法在不同场景下的实际适用性和稳健性。

    May, 2024