arXiv 论文提出分布到分布回归的共形预测新框架
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
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。
一篇提交至 arXiv 的论文研究分布到分布回归场景下的共形预测。作者指出，直接套用 Split Conformal Prediction 得到的预测集虽在边际意义上有效，却缺乏可解释性，例如没有明确体积、难以采样，实用价值有限。为此，论文提出在正交基空间中运行的共形框架，在保留覆盖保证的同时产出可解释的预测集，并给出在温和假设下具备渐近条件覆盖的自适应变体。合成与真实数据实验验证了方法有效性，代码已公开。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载问题出在哪
论文关注的是分布到分布回归这一设定，即模型的输出本身是一个分布而非单个数值或向量。作者尝试把已有的 Split Conformal Prediction 直接迁移到该场景，发现得到的预测集虽然满足边际覆盖，但缺乏可解释性：既没有良好定义的体积，也没有可处理的采样流程，因此实际使用价值受限。这一观察构成了全文的出发点。
正交基空间的做法
为绕开上述缺陷，作者提出一种新的共形框架，其核心是在正交基空间中构造预测集。这样做的结果是预测集在保持覆盖保证的同时具备可解释形态。论文还在此基础上发展了一个自适应版本，在较温和的假设下可获得渐近条件覆盖，从而在边际保证之外提供更细粒度的覆盖性质。
验证与开放
作者在合成数据集与真实数据集上进行了实验，结果支持所提方法的有效性。论文同时公开了代码，便于复现与后续比较。材料未披露具体数据集名称、覆盖率的数值结果或与基线方法的定量差距。
为什么值得看
把共形预测扩展到输出为分布的任务，并解决预测集不可解释的问题，对需要不确定性量化的高风险应用有参考价值。
论文数据集
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。