- 适应性选组等覆盖的共形分类
引入了一种符合性推断方法以评估分类中的不确定性,通过生成具有有效覆盖率的预测集,并在自适应选择的特征上进行。这些特征经过精选以反映潜在的模型限制或偏差,有助于在提供有信息的预测的同时,在最敏感的群体中确保平等的覆盖率,从而找到实践上的一个妥 - 基于在线确定性神经网络集成的日前电力价格概率预测
我们提出了一种基于合规推理的新方法来进行概率电价预测 (PEPF),通过在线重新校准程序,在多个市场地区进行实验,实现了具有改进小时覆盖率和稳定概率评分的次日预测。
- 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。
- 基于数据驱动的设计优化的二阶段代理建模及应用于复合微结构生成
提出了一种新颖的两阶段机器学习的代理建模框架,用于解决科学和工程领域中的反问题。该框架的独特贡献在于集成了符合推理,提供了一种多功能且高效的方法,可以广泛应用。通过进行基准测试和研究集中在纤维增强复合材料的微机械建模的工程应用,结果证实了我 - 自适应分数的传感式一致推断
条件推断是一种基本且多用途的工具,为许多机器学习任务提供无分布保证。我们考虑转导设置,在该设置中,根据 $m$ 个新点的测试样本做出决策,产生 $m$ 个整合 p 值。我们表明它们的联合分布遵循一个 Pólya 陶壶模型,并为它们的经验分布 - 黎曼流形回归的共形推断
这项研究通过在流形上进行回归、流形统计学等探究,提出了一种在响应变量位于流形、协变量位于欧几里得空间情况下的回归预测方法,该方法基于非参数的分布自由概念,通过证明流形上经验预测区域与总体预测区域近似几乎必然收敛来展示其高效性。通过综合模拟研 - 互信息校准的边缘环境不确定性感知多模态三维物体检测
通过将协同推断原理与信息理论测量相集成,我们的研究在多模态框架内实现了轻量级、无蒙特卡罗的不确定性估计,并通过多元高斯变分自动编码器的潜变量的乘积来融合 RGB 摄像机和 LiDAR 传感器数据的特征以提高预测准确性。通过基于加权损失函数的 - 基于数据驱动的带有符合推理的随机动态系统可达性分析
使用符合推断进行基于数据驱动的离散时间随机动态系统的可达性分析,将数据集转化为代理预测模型,通过符合推断量化预测模型的误差,从而提供概率可达性保证。该方法适用于复杂闭环动态难以使用符号模型建模的学习增强控制系统。
- 轻量级,不确定性感知的可证明视觉里程计
本文提出了一种轻量、统计鲁棒的框架,利用符合推理来提取视觉坐标自适应预测间隔的不确定性,勾画了生成深度神经网络、蒙特卡洛 Dropout、区间打分和校准损失等技术,从而改善不确定性感知学习对于决策领域的应用。
- ICMLMD-split+: 高维实用局部共形推断
介绍了一种基于本地模型性能的条件密度估计模型的本地 conformal 方法 MD-split ,可用于复杂的现实世界数据设置,用于确定 X 分区,并与其他本地 conformal 方法进行比较。
- 分布偏移下的自适应符合推断
本文提出了一种自适应的线上学习方法 - 自适应符合推断方法,该方法结合了预测集和符合推断的思想,能够在任何黑箱模型中实现长时间内预期的覆盖概率,从而解决了数据变化扰动的问题。
- 使用符合性 p 值检测异常值
本文研究基于共形推断的非参数异常检测的 p - 值构造,提出了一种计算条件合法且独立的 p 值的新方法,并使用浓度不等式建立了我们有限样本保证的证明。
- 稳健验证:即使分布发生偏移,也能自信地做出预测
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。
- 反事实推论和个体治疗效果的合规推断
本篇研究提出了一种基于符合性推断的方法,用于在潜在结果框架下产生反事实和个体治疗效果的可靠区间估计,适用于完全随机或分层随机试验,以及遵循强忽略性假设的一般观测研究。同时,该方法在机器学习算法的条件平均治疗效应估计上表现出了良好的优势。
- 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。
- ICML经验法调整回归不确定性分布
该研究提出了一种用于回归设置的校准方法,称为经验性地校准回归不确定性分布(CRUDE),该方法不假定错误的特定不确定性分布,并展示了它的理论联系以及 CRUDE 的性能优于现有技术。
- 一些共形分位数回归方法的比较
本文通过比较两种新提出的置信推断和分位数回归思想相结合的方法,并考虑在样本交换性下如何产生局部自适应和边缘有效的预测区间,证明当一些额外的假定满足时,这两种方法在大样本下是渐进有效的,同时在模拟和真实数据中进行实证比较,结果表明相对于 Ki - 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 - 深度网络自适应、无分布预测区间
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。
- 具有相关数据的预测机器学习的精确和鲁棒的适应性推断方法
本文提出了基于随机化的方法来拓展符合推理的应用,使其能适用于时间序列数据,并通过引入分块结构来考虑潜在的串行相关性。当数据是独立同分布或更普遍地可交换时,该方法与传统的符合推理方法具有相同的无需模型的有效性;当数据不可交换时,如常见的时间序