新方法提出多目标回归保序预测
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载多目标预测的覆盖难题
多目标回归要求模型一次给出多个相互关联的输出，而共形预测原本提供的是不依赖分布假设、在有限样本下成立的边际覆盖保证。把这种保证扩展到多维联合区域并不容易：按最大值聚合的做法会忽略各输出之间的尺度差异；基于 copula 的方法只在渐近意义下成立；矩形方法往往要把校准集拆开使用；分位数或密度类方法则需要在普通点预测器之外再训练一个专门模型。论文针对的正是这一空白，提出名为 scaling-score 的共形方法。
只依赖逐分量残差
该方法对模型不做任何假设，输入只需要各分量上的绝对残差，并且整个流程只使用一个校准集，不需要拆分数据。它给出四种彼此嵌套的输出形式：外层矩形 SCO 具备有效的联合覆盖；精确集合 R α；在 R α 之上做近似得到的阶梯形集合 SC 2；以及内层矩形 SCI。方法引入一个取值在 0 到 1 之间的超参数 γ，用来单独控制基础矩形的分位数水平，使其与显著性水平 α 解耦。论文还证明了输出集合的下闭性，给出矩形夹逼界，并推导出外层矩形的闭式表达。
29 个数据集上的表现
实验在 29 个真实数据集上展开，结果确认联合覆盖率满足有效性要求。当 γ 取 1 减 α 时，SC 2 相对于各基线在体积上保持竞争力，并且这种优势随着输出维度 d 的增加而扩大。对使用多目标预测的读者来说，这意味着在输出维度较高时，可以在不额外训练专用模型、也不拆分校准数据的前提下，得到体积更紧凑且覆盖有效的联合预测区域；代价是需要选定 γ，并在四种嵌套输出形式之间按用途取舍。
为什么值得看
解决了多目标回归中模型无关且样本高效的联合覆盖率保证难题。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。