从一致预测到置信区间
提出了基于优化的方法,将预测误差参数化处理以减小保守性,扩展了应用 Conformal prediction 算法于使用学习器的时间序列预测模型的应用场景,并且在行人轨迹预测方面证明了其有效性。
Apr, 2023
我们提出了一种新的方法,可实现用户指定的错误率下的预测,并在此约束下优化预测集的大小,从而通过有效的医学人工智能模型和人工专家之间的合作,允许在临床决策中进行高效干预和质量检查。
Sep, 2023
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
使用任意预测模型构建置信区间,不依赖于噪音模型并可扩展至非严格线性函数,采用混合整数线性规划框架进行优化和参数坐标的置信区间提取,适用于假设检验,并通过合成数据验证了方法的实证适用性。
Jan, 2024
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
本文介绍一种基于分位数回归和树状结构分类器的符合性预测方法,可以有效解决多分类和多标签问题中难易样本分布不均匀、信心区间过大等挑战,且可以和任何分类模型结合使用并保证有效性。
Apr, 2020
使用最新的神经网络验证方法,基于 VRCP(可验证鲁棒性适应预测)框架,本文提出了一种新的方法,用于恢复在遭受对抗攻击时的预测覆盖率保证,并支持任意范数的扰动和回归任务,实验结果表明,在图像分类和强化学习环境的回归任务中,VRCP 方法达到了超过标称覆盖率的结果,并且比目前最先进的方法更高效且信息量更丰富。
May, 2024
本文开发了一种符合性方法,用于计算自适应于倾斜数据的非参数回归预测区间,利用黑盒机器学习算法用直方图估计结果的条件分布,将它们转化为具有近似条件覆盖的最短预测区间,数值实验表明,与最先进的相关方法相比,这些结果在有限样本情况下可以得到较好的表现,并且如果黑盒模型一致,则渐近达到条件覆盖和最优长度。
May, 2021