- 置信度预测中的长度优化
研究发展了一种新颖的基于长度优化的一致性预测框架(CPL),能够在不同类别的协变量转移下确保条件有效性,并构建出(接近)最优长度的预测集合,通过广泛的实证评估验证了其在分类、回归和文本相关设置方面相较于最新方法在预测集大小性能方面的优越性。
- 分量可交换性的一致时间序列分解
本文提出了一种新颖的使用具有时间序列分解的符合预测时间序列预测方法,在每个分量上应用特定的符合算法,然后合并所得预测区间,以适应不同分量之间的不同可交换性情况。该分解方法在合成和现实数据上进行了详细讨论和经验评估,发现该方法对结构良好的时间 - 基于传导型图自编码器的拟合装载预测
使用图神经网络 (GNN) 方法进行边权重预测,利用符合性预测调整 GNN 输出并生成有效的预测区间,通过误差重新加权和符合化的分位数回归 (CQR) 处理数据异方差性,与基线技术在真实世界的交通数据集上相比,我们的方法具有更好的覆盖率和效 - 增强标签排序校准的适用于每类覆盖的合拢预测
针对不平衡分类任务的一种新的不确定性量化框架,Rank Calibrated Class-conditional CP (RC3P) 算法,通过降低预测集大小以实现类条件覆盖,对于每个类别都具有有效的覆盖保证。
- 利用特权信息的健壮合拢预测
我们开发了一种方法,用于生成预测集,其覆盖率在训练数据中存在缺失或噪声变量等损坏情况下是健壮的。我们的方法基于符合性预测,这是一种强大的框架,用于构建在独立同分布假设下有效的预测集。重要的是,简单地应用符合性预测在这种情况下不能提供可靠的预 - 基于 Transformer 的时间序列符合预测
利用 Transformer 架构的符合预测方法通过捕捉长期记忆和长程依赖,以 Transformer 解码器作为条件分位数估计器来预测预测残差的分位数,从而估计预测区间,并通过综合实验证明该方法在模拟和真实数据上相较于现有的符合预测方法具 - 用于一致回归的正规流
用标定的数据校准预测模型的不确定性,通过训练标定过程以实现区间的本地化,选择适当的距离度量代替标准预测误差,并通过训练来学习最优度量,从而充分应用于现有的局部适应性标定策略,适用于任何点预测模型。
- ICML具有可证明的拜占庭鲁棒性的联邦共形预测
在分布式数据样本中,介绍了 Rob-FCP 框架用于对付具有恶意客户端的鲁棒联邦一致性预测,理论上证明了 Rob-FCP 的一致性覆盖界限,并展示了 Rob-FCP 在拜占庭场景下与期望覆盖水平渐近接近,同时提出了一个用于估计恶意客户端数量 - 无标签条件下适应分布偏移的适应性符合性预测
通过两种新方法 ECP 和 EACP,根据基模型在未标记测试数据上的不确定性调整 CP 中的评分函数,从而仅使用测试域中的未标记数据改进 CP 生成的预测集的质量。通过对许多大规模数据集和神经网络架构进行广泛实验,我们展示了我们的方法相对于 - 单轨迹形式预测
我们通过对未知随机动力系统的单个时间相关数据轨迹进行风险控制预测集(RCPS)性能的研究,使用封锁技术展示了数据遵循渐进稳定性和收缩性动态时,RCPS 获得类似于独立同分布情况下的性能保证;接着,我们使用解耦技术来描述 RCPS 性能保证在 - 共形递归特征消除
提出了基于置信度预测的递归特征消除方法,命名为 CRFE,该方法在多类别数据集上通过多次数据分区的比较,表现出优于传统 RFE 方法的性能,并提供有效和非冗余特征的子集而无需计算任何分类性能。
- 动态 GNN 的有效符合性预测
将展开方法应用于动态图神经网络,扩展了置信度预测的有效性和性能,解决了静态图和转导和半归纳情况下的交换性问题。
- 可验证的强健拟合预测
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 - 基于协方差预测的逆问题中的任务驱动不确定性量化
在成像逆问题中,通过缺失或损坏的测量数据来恢复图像是一个不适定问题,因此我们提出了一种以任务为中心的方法来量化测量和恢复过程中引起的不确定性,其中使用符合性预测构建了一个区间,并保证以用户指定的概率包含真实图像的任务输出,并使用该区间的宽度 - 从一致预测到置信区间
利用一种名为 CCR 的新方法,通过使用模型输出的一系列符合预测间隔来建立模型参数的置信区间,创新地解决了模型参数置信区间构建中的挑战,并在有限样本情景下提供了覆盖保证。
- 迈向人工智能与人类互补性的预测集
采用贪婪算法,该论文发现了一种可比或更好性能的预测集构造方法,该方法能帮助基于预测集的决策支持系统有效解决分类任务。
- 基于相似度导航的图神经网络的合规预测
Similarity-Navigated Adaptive Prediction Sets (SNAPS) 是一种基于特征相似性和结构邻域的新算法,通过聚合具有相同标签的节点的不符合性得分来提高预测集的有效性,并在保持有效覆盖的同时增加单例 - 具有半绑定反馈的随机在线一致预测
通过修改模型输出一组标签而不是单个标签,符合预测已成为一种可行的不确定性量化策略。在在线学习设置中,我们考虑了半强盗反馈,其中只有在真实标签包含在预测集中时,我们才能观察到真实标签。我们提出了一种针对这种情况的新颖符合预测算法,并证明它相对 - 基于一致性预测的无操纵拍卖策略
利用可区分经济学、遗憾预测模型和一种能确保拍卖机制具有战略不可篡改性的拍卖接受规则,本研究提出了一种新方法来确保拍卖过程中买家被鼓励出真实估值,以实现最优且公平的拍卖结果,并通过数值实验证明了该方法的适用性和有效性。
- 图神经网络的条件偏移鲁棒一致性预测
使用符合预测(conformal prediction)技术,此论文提出了一种用于解决图半监督学习中图神经网络(GNN)预测不确定性问题的方法,该方法还引入了一种新的损失函数来优化模型预测,并在标准图基准数据集上进行了验证。