Conformalized-DeepONet：深度操作器网络中的无分布框架不确定性量化

Feb, 2024

Conformalized-DeepONet：深度操作器网络中的无分布框架不确定性量化

Conformalized-DeepONet: A Distribution-Free Framework for Uncertainty Quantification in Deep Operator Networks

Christian Moya, Amirhossein Mollaali, Zecheng Zhang, Lu Lu, Guang Lin

TL;DR采用符合预测方法的分布自由不确定性量化框架，获得具有覆盖保证的深度操作网络回归的置信度预测区间，并通过将符合预测与 Prob-DeepONet 和 B-DeepONet 相结合，有效地量化不确定性，生成严谨的深度操作网络预测的置信度区间，同时设计一种新颖的 Quantile-DeepONet，允许更自然地使用符合预测，被称为符合预测的 Quantile-DeepONet 回归的无分布有效不确定性量化框架，并通过各种常规、偏微分方程数值示例和多保真度学习证明所提出方法的有效性。

Abstract

In this paper, we adopt conformal prediction, a distribution-free uncertainty quantification (UQ) framework, to obtain confidence prediction intervals with coverage guarantees for deep operator network (DeepONet)

conformal prediction deep operator network uncertainty quantification confidence intervals regression

发现论文，激发创造

一个温和的介绍：拟合预测及无分布不确定性量化

介绍一种无需分布假设或模型假设，可用于任何预训练模型（如神经网络）生成 100% 正确性置信区间（信赖区间）的方法，称之为一致预测；并提供了 Python 示例代码和 Jupyter 笔记本来说明此方法在计算机视觉、自然语言处理和深度强化学习等领域上的应用。

Jul, 2021

深度学习模型不确定性的置信度量化

本文探讨了在深度神经网络中表示模型不确定性的 Conformal Prediction 框架，提出了一种新的基于概率方法的模型不确定性量化方法，并提供了可靠的边界用于计算不确定度。

Jun, 2023

时空数据不确定性量化的共形方法综述

本文调查了最近的深度学习方面的不确定性量化的研究，特别关注了具有数学特性和广泛适用性的无分布符合预测方法，介绍了相关技术和在时空数据背景下提高校准和效率的方法，并讨论了不确定性量化在安全决策方面的作用。

Sep, 2022

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

深度回归森林用于抗癌药物敏感性预测的高效归一化一致性预测与不确定性量化

通过计算深度回归树获得的方差，我们提出了一种方法来估计每个样本的不确定性，显示深度回归森林方差提高了规范化归纳预测模型在药物反应预测任务中的效率和覆盖率。

Feb, 2024

机器学习中有效不确定性量化的共形预测方法的比较研究

过去几十年，数据分析和机器学习领域的大部分工作都致力于优化预测模型，并取得比现有模型更好的结果。然而，本文指出对于很多应用而言，更加重要的并非准确的预测，而是变异性或不确定性。本文进一步探讨了让每个人了解不确定性、意识到其重要性并学会拥抱而不是害怕不确定性的世界，对一种确定性估计准确性的具体框架 —— 被称为 “符合性预测” 的框架进行了细致研究。而且，无需对数据进行参数假设，这一非参数结果在渐近程度上也不必依赖大数定律，使得这个框架成为唯一值得称为 “无分布假设” 的框架。

May, 2024

可信皮肤病变分类的合规预测的实证验证

通过进行全面的实验和比较性能分析，我们研究了皮肤病变分类任务中三种不确定性量化方法：Conformal Prediction、Monte Carlo Dropout 和 Evidential Deep Learning，发现 Conformal Prediction 在各种条件下表现出的鲁棒性和一致性，使其成为安全关键应用中决策的首选。

Dec, 2023

通过相应性预测进行操作数据库学习的校正不确定性量化

运算符学习在科学和工程应用领域中得到了越来越广泛的应用，其中许多需要经过校准的不确定性量化。本文提出了一种风险控制分位数神经运算符，即无分布、有限样本的函数校准型预测方法，通过实验证实了我们的理论结果，显示了校准的覆盖率和高效的不确定性范围，优于基准方法。

Feb, 2024

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

利用置信图神经网络进行图形不确定性量化

本研究提出了一种基于置信度的图神经网络模型 CF-GNN，以保证模型的可靠性，所采用的置信度预测方法即为 conformal prediction，该方法可产生预测区间，该区间内包含了真值标签，该模型通过拓扑感知输出修正模型减少了预测集大小，从而实现了较高的预测精度。

May, 2023