arXiv cs.AI· Trung-Khang Tran, Tuan A. Hoang, Viet-Hoang Tran, Tan M. Nguyen·· 10 小时前AI 评分23
面向分布到分布回归的共形预测新框架
Conformal Prediction for Distribution-to-Distribution Regression
AI 导读
针对分布到分布回归（Distribution-to-Distribution Regression）场景，研究者指出直接套用 Split Conformal Prediction 得到的预测集虽满足边际有效性，却缺乏可解释性——没有明确体积、采样过程也难以处理。
正文 · AI 翻译
摘要：共形预测（CP）提供了一个与模型无关的框架，用于构建具有覆盖保证的有限样本预测集，并已成为高风险场景下可靠决策的工具。近期的进展已将分裂共形预测扩展到日益复杂的学习问题，包括多标签、高维和函数型输出。在本工作中，我们研究分布到分布回归的 CP，这是一个在许多应用领域中日益受到关注的设定。我们表明，朴素地应用分裂 CP 会产生预测集，这些预测集虽然边际有效，但不可解释，例如缺乏明确定义的体积或可处理的采样过程，并且实际价值有限。为克服这一点，我们提出了一个新的共形框架，它在正交基空间中运作，产生可解释的预测集，同时保持覆盖保证。我们进一步开发了一个自适应变体，在温和假设下具有渐近条件覆盖。在合成和真实世界数据集上的实证结果验证了所提出方法的有效性。代码公开可用，见 此 https URL。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.06320 [cs.LG] |
| （或 arXiv:2611.06320v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.06320 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Khang Tran [查看电子邮件]
[v1]
2026年11月4日星期三 10:54:16 UTC（1,081 KB）
来源：arXiv cs.AI · arxiv.org