分类的一致性得分加权聚合
本文提出了一种简单的方法,通过从非参数核回归中的一些想法得出训练实例的加权总和来预测标签,并在符合性方法的框架内提出了一种新的非一致性测量法,实验验证了理论预期,证明了在不影响准确性或校准的情况下,提高了透明度、可控的错误率和抵抗域外数据的鲁棒性。
Nov, 2018
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
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
本文研究了使用最大预测效率作为优化目标训练归纳一致预测器(inductive conformal predictor)的方法,将对可用于分类的归纳一致预测器进行了特别关注,并在几个真实数据集上进行了测试,结果表明该方法在大多数情况下相对于基线一致预测器具有更高的预测效率。
May, 2021
研究了基于神经网路的注意分类器使用不同的非一致性函数,以达到最小的预测标签和较大的独立预测标签分数的结果,并提出了成功的方法来结合这两个非一致性函数。
Aug, 2021
本文提出了一种广义的拟合的预测集来解决多可学习参数,通过考虑找到最有效的预测集的约束经验风险最小化问题,从而实现有效的经验覆盖。同时,本文还开发了一种基于梯度的算法来优化这个ERM问题以近似有效的覆盖和最优效率。
Feb, 2022
本文旨在解决当前对于确保错误频率的合规性统计保证,且相应预测集的大小对其实用性至关重要,但预测集大小缺乏有限样本分析和保证的问题,通过量化拆分一致性预测框架下预测集的期望大小来解决此不足,并提供一种实用的方法来表示测试和校准数据的不同可能实现的预期预测集大小。实验结果表明,对于回归和分类问题的现实世界数据集,本文的结果的功效得到了验证。
Jun, 2023
本文提出了一种称为聚类置信预测的方法,该方法通过聚类类,将具有“相似”信心得分的类聚合在一起,然后在聚类水平上执行置信预测,进行分类问题中的更强的置信度验证, 应用于多分类图像数据集中表现更加优秀。
Jun, 2023
通过使用适用于对标签顺序进行正确预测的分类模型的排名式评分函数,我们提出了一种新颖的符合性预测方法,该方法能够预测一组可能的标签,并获得相应的置信度得分以捕捉不确定性。我们的方法构建了在实现期望覆盖率的同时管理其大小的预测集合,通过对底层分类器的排名分布进行理论分析,我们提供了符合性预测集合的预期大小的理论分析。通过广泛的实验证明了我们的方法在各种数据集上优于现有技术,提供了可靠的不确定性量化。本文的贡献包括一种新颖的符合性预测方法、理论分析和实证评估,通过实现可靠的不确定性量化,推动了机器学习系统的实际部署。
Jul, 2024