arXiv cs.AI· Meihui Zhong, Wenxin Tai, Ting Zhong, Fan Zhou·· 9 天前AI 评分22
SGCP：面向子群可靠性的随机分组共形预测框架
Stochastic Grouping Conformal Prediction for Effective Subgroup Reliability
AI 导读
研究者提出随机分组共形预测（SGCP），一种面向子群可靠性的不确定性量化框架，通过学习随机分组映射让每个样本从校准行为相似的样本中获取校准信息，形成局部分数分布。SGCP 被证明保留标准覆盖率保证，在合成与真实基准上持续缩小各子群覆盖率差距，同时预测集大小较现有基线更小或相当。
正文 · AI 翻译
摘要：共形预测提供无分布假设的覆盖率保证，使其在临床应用方面尤其具有吸引力。然而，标准共形预测仅在总体层面提供此类保证，其预测集在临床重要亚组之间可能表现出覆盖率差异。一种自然的补救方法是在预定义的组内进行校准。然而，这可能需要访问敏感的子组属性，并且容易陷入最差组瓶颈：保护最困难的子组可能会使所有样本的预测集膨胀，从而增加决策者的认知负担。为此，我们提出了随机分组共形预测（SGCP），一种用于子组可靠不确定性量化的共形框架。它学习一个随机分组映射，允许每个样本从具有相似校准行为的其他样本中获取校准信息，从而产生局部得分律，提升各子群体的可靠性。我们证明 SGCP 保留了标准覆盖率保证。在合成和真实世界基准上的实验表明，与现有基线相比，它持续减小了子组覆盖率差距，同时实现了更小或相当的预测集大小。
| 评论： | 9 页 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.11957 [cs.LG] |
| （或 arXiv:2610.11957v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.11957 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Meihui Zhong [查看电子邮件]
[v1]
2026年10月8日星期四 13:41:10 UTC（1,535 KB）
来源：arXiv cs.AI · arxiv.org