Conformal Prediction Assessment: A Framework for Conditional Coverage Evaluation and Selection
Qiuzhen College, Tsinghua University(清华大学求真书院);Yau Mathematical Sciences Center, Tsinghua University(清华大学丘成桐数学科学中心)
本文提出CPA框架,通过训练可靠性估计器评估条件覆盖,引入CVI指数分解可靠性并证明其一致性,实验表明CPA能有效诊断局部失效模式。
2026-03-28 cs.LG stat.ME stat.ML
Conformal Prediction using Conditional Histograms
本文提出了一种计算非参数回归预测区间的保角方法,该方法可以自动适应偏斜数据。利用黑盒机器学习算法来使用直方图估计结果的条件分布,它将其输出转换为具有近似条件覆盖的最短预测区间。所得的预测区间可证明在有限样本中具有边际覆盖,而如果黑箱模型是一致的,则渐近地实现条件覆盖和最优长度。模拟和真实数据的数值实验表明,改进的性能相比,国家的最先进的替代品,包括保形分位数回归和其他分布共形预测的方法。
2021-10-24 stat.ME stat.ML
Design-based conformal prediction
本文邀请调查方法学家使用保形预测,在基于设计的有限总体推断框架下将其应用于复杂样本调查数据,并通过模拟和真实数据验证其有限样本覆盖率保证。
2023-07-27 stat.ME stat.ML
Distribution-free Conformal Prediction for Ordinal Classification
针对有序分类问题,本文结合共形预测与FWER控制的多重检验,提出基于边际和类别特定条件共形p值的连续、非连续预测集构建方法,理论证明其覆盖性能达标,实验验证其优于现有共形方法。
2024-11-02 stat.ME stat.ML
Null-Calibrated Conformal Selection via Target-Membership Scores
CROID Research and aSSIST University(CROID研究院和aSSIST大学)
提出基于目标隶属度分数的共形选择方法,通过零校准(NCCS)生成有限样本有效的零p值,在方差驱动和多模态目标上优于传统预测导向分数。
2026-06-23 cs.LG stat.ML
Selection and Aggregation of Conformal Prediction Sets
针对一族机器学习算法下的保形预测区域最小化问题,提出两种通用选择算法,分别实现最小宽度与有限样本覆盖保证,并通过 oracle 不等式量化次优性。
2024-04-11 stat.ME
Conformal Prediction for Ensembles: Improving Efficiency via Score-Based Aggregation
针对集成预测,提出一种将标量评分扩展为多元评分的共形聚合框架,以生成更高效的预测区域,并在分类和回归任务中验证其优于现有方法。
2025-05-23 stat.ME stat.ML
Boosted Conformal Prediction Intervals
本文提出一种基于梯度提升的增强保形程序,在训练后仅利用模型预测来优化保形预测区间,显著缩短区间长度并提高条件覆盖率。
2024-11-09 stat.ME stat.ML
Conformal prediction after data-dependent model selection
University of Chicago(芝加哥大学);Department of Statistics, University of California, Irvine(加州大学尔湾分校统计系);Department of Statistics, University of Chicago(芝加哥大学统计系)
本文研究在数据依赖模型选择后如何构造有效的符合预测集,提出方法在不增加样本分割的情况下实现有限样本有效性,并通过合成数据和实际案例展示预测集宽度的优化。
2026-04-16 stat.ME
Optimized Conformal Selection: Powerful Selective Inference After Data-Dependent Score Construction
McGill University(麦吉尔大学);Harvard University(哈佛大学)
针对保形推断中模型选择破坏数据可交换性的问题,提出OptCS框架,允许数据驱动优化模型后进行有效选择性推断,通过三种程序控制FDR,在模拟和实际应用中验证了有效性。
2026-10-22 cs.AI cs.LG stat.ME
Valid Selection among Conformal Sets
CMAP, École polytechnique, Institut Polytechnique de Paris, France(应用数学与计算科学实验室,巴黎高等理工学院,巴黎理工学院);Inria, École Normale Supérieure, PSL Research University(法国国家科学研究中心,巴黎高等师范大学,巴黎科学实验室);Department of Electrical Engineering and Computer Sciences, UC Berkeley, USA(电气工程与计算机科学系,伯克利大学,美国)
针对选择最优conformal prediction set会破坏覆盖保证的问题,提出一种基于稳定性的方法以确保所选集合的覆盖性,并扩展至在线场景及实验验证其有效性。
2025-06-25 cs.AI cs.LG stat.ME
Online Selective Conformal Prediction: Errors and Solutions
Carnegie Mellon University(卡内基梅隆大学);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心)
针对在线选择性共形推断中现有校准选择策略存在的理论错误,本文提出可保持数据可交换性的新策略,证明其能同时保证选择条件覆盖率与FCR控制,并通过实验验证了有效方法间的权衡关系。
2025-03-21 cs.LG stat.ML
Exchangeability, Conformal Prediction, and Rank Tests
共形预测是近年来机器学习和统计学中一种非常流行的无分布预测推理方法。它的流行源于这样一个事实,即它可以作为任何预测算法(如神经网络或随机森林)的包装器。互换性是共形预测有效性的核心。交换率的概念也是非参数统计中广为人知的秩检验的核心。在本文中,我们回顾了交换的概念,并讨论了共形预测和秩检验的含义。我们提供了一个低层次的介绍这些主题,并讨论了共形预测和秩检验之间的相似之处。
2021-06-04 stat.AP stat.ME stat.ML
Multi Split Conformal Prediction
分裂共形预测是一种计算效率高的方法,用于在回归中执行无分布预测推理。然而,它涉及数据的一次性随机分割,结果取决于特定的分割。为了解决这个问题,我们提出了多分裂共形预测,一个简单的方法,基于马尔可夫不等式聚合单分裂共形预测间隔在多个分裂。
2021-07-21 stat.ME
Extreme Conformal Prediction: Reliable Intervals for High-Impact Events
Research Institute for Statistics and Information Science, University of Geneva(日内瓦大学统计与信息科学研究院);Department of Industrial Engineering and Operations Research, Columbia University(哥伦比亚大学工业工程与运筹学系)
本文提出极端值统计与置信预测结合的方法,解决高置信度下预测区间过宽问题,适用于洪水风险预测等高影响事件。
2026-03-31 stat.AP stat.ME stat.ML
Conformal e-prediction
Vladimir Vovk(独立研究者)
该研究从现代视角系统重审共形预测与前身共形e预测的关系,指出共形e预测具备易设计条件预测器、交叉预测器有效性有保障等独有优势,且可模拟共形预测的部分优势。
2025-05-18 cs.LG stat.ML
CAP: A General Algorithm for Online Selective Conformal Prediction with FCR Control
School of Statistics and Data Science, Nankai University(统计与数据科学学院,南开大学);School of Mathematical Sciences, Shanghai Jiao Tong University(数学科学学院,上海交通大学)
CAP算法通过在线选择性置信预测实现FCR控制,提供了一种通用框架以确保精确覆盖保证并提升预测区间精度。
2025-12-01 cs.LG stat.ME stat.ML
Applying Regression Conformal Prediction with Nearest Neighbors to time series data
在本文中,我们应用共形预测的时间序列数据。共形预测是一种在给定置信水平的情况下产生预测区域的方法。区域输出在交换假设下总是有效的。然而,这个假设并不适用于时间序列数据,因为过去、当前和未来的观测值之间存在联系。因此,将共形预测器应用于时间序列数据问题的挑战在于,时间序列的观测值是相关的,因此不满足交换假设。本文提出了一种在时间序列中利用共形预测子构造可靠预测区间的方法。我们使用基于加权最近邻方法中的快速参数调整技术的最近邻方法(FPTO-WNN)作为底层算法。数据分析证明了该方法的有效性。
2021-10-25 stat.CO stat.ME stat.ML
conformalInference.multi and conformalInference.fd: Twin Packages for Conformal Prediction
共形预测方法建立在回归模型之上,生成无分布的预测集,仅需要i.i.d.。数据虽然已经开发了用于单变量响应框架的实现这种方法的R包,但对于多变量和函数响应,情况并非如此。conformalInference.multi和conformalInference.fd通过扩展经典和更高级的共形预测方法(如全共形、分裂共形、刀切+和多重分裂共形)来处理多变量和函数情况,从而解决了这一空白。共形预测的极端灵活性完全被软件包的结构所包含,它不需要任何特定的回归模型,使用户能够在使用基本回归模型作为参考的同时将任何回归函数作为输入。最后,可视化的问题是通过提供嵌入式绘图功能来可视化预测区域。
2022-06-29 stat.CO stat.ME
Isotonic Conformal Inference
Department of Mathematics and Statistics, McGill University(麦吉尔大学数学与统计学系);Mila;Eli Lilly and Company(艾莉有限公司)
研究如何进行可靠的不确定性量化,提出等距共形预测框架,开发分割等距共形预测和转导等距共形预测两种方法,能在保持覆盖率的同时大幅降低计算成本,实现自校准和预测条件有效性。
2026-10-27 cs.LG stat.ME stat.ML
Everywhere Valid Bounds on False Discovery Proportions in Conformal Inference
Department of Statistics, Stanford University(斯坦福大学统计学系);Department of Statistics and Data Science, University of Pennsylvania(宾夕法尼亚大学统计学与数据科学系);Department of Mathematics, Stanford University(斯坦福大学数学系)
本文提出了一种在多重检验问题中对虚假发现比例(FDP)的处处有效界,通过构造高概率包络来保证在任意后验阈值选择下的统计保证,同时展示了该方法在异常检测和符合选择中的应用。
2026-06-18 cs.LG stat.ME stat.ML
Fuzzy Prediction Sets: Conformal Prediction with E-values
Erasmus University Rotterdam(鹿特丹伊拉斯姆斯大学)
本文提出模糊预测集,扩展了传统预测集,通过数据驱动的置信水平进行排除,继承e值的合并性质,并展示最优e值如何生成最优模糊预测集。
2026-03-31 math.ST stat.ME stat.ML
Conformal Prediction Under Covariate Shift
我们将共形预测方法扩展到可交换数据的情况之外。特别是,我们表明,加权版本的共形预测可用于计算分布的预测区间的问题中,测试和训练协变量分布不同,但这两个分布之间的似然比是已知的-或者,在实践中,可以准确地估计与访问一个大的未标记的数据集(测试协变量点)。我们对共形预测的加权扩展也更普遍地适用于数据满足某种加权交换概念的情况。我们讨论了我们的新的共形方法的其他潜在的应用,包括潜在的变量和缺失数据的问题。
2020-07-06 stat.ME
Localized Conformal Prediction: A Generalized Inference Framework for Conformal Prediction
我们提出了一个新的推理框架,称为本地化的共形预测。它概括了共形预测的框架,提供了一个单一的测试样本的自适应建设,强调这个测试样本周围的局部区域,并可以与不同的共形得分结构相结合。所提出的框架享有一个无约束的有限样本边际覆盖保证,它也提供了额外的本地覆盖保证在适当的假设。我们演示了如何改变从共形预测到局部共形预测使用几个共形分数,我们说明了通过数值例子的潜在收益。
2022-02-28 math.ST stat.ME stat.TH
Self-Calibrating Conformal Prediction
University of Washington(华盛顿大学);UC Berkeley(加州大学伯克利分校);UCSF(加州大学旧金山分校)
本研究提出结合Venn-Abers校准与共形预测的自校准共形预测方法,将Venn-Abers拓展至回归,可生成校准点预测及有条件有限样本有效性的预测区间,经实验验证提升了区间效率。
2024-10-31 cs.LG stat.ME stat.ML
Approximating full conformal prediction: distribution free guarantees via the tournament correction
University of Chicago(芝加哥大学)
提出基于锦标赛思想的一类新近似方法,在保证边际覆盖率为1-2α的同时降低计算成本,并可在稳定性条件下收紧至约1-α。
2026-06-17 stat.ME
Probabilistic Conformal Prediction Using Conditional Random Samples
University of Texas at Austin(德克萨斯大学奥斯汀分校);Columbia University(哥伦比亚大学)
本文提出了概率共形预测(PCP),预测推理算法,估计目标变量的不连续预测集。给定输入,PCP基于来自估计生成模型的随机样本构建预测集。它是有效的,兼容显式或隐式条件生成模型。从理论上讲,我们证明PCP可以在有限样本的情况下保证正确的边缘覆盖。经验上,我们研究了各种模拟和真实数据集上的PCP。与现有的共形推理方法相比,PCP提供了更清晰的预测集。
2022-06-20 cs.LG stat.ME stat.ML
Predictive Inference with Feature Conformal Prediction
Tsinghua University(清华大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Shanghai Qi Zhi Institute(上海期智研究院);Mila - Quebec AI Institute(米拉-魁北克人工智能研究所)
本文提出 feature conformal prediction,通过利用深度表示学习的归纳偏置将 conformal prediction 扩展至语义特征空间,理论证明其在温和假设下优于常规方法,并在 ImageNet 等大规模任务上取得 SOTA 性能。
2023-04-08 cs.AI cs.LG stat.ME
Class-Conditional Conformal Prediction with Many Classes
University of California, Berkeley(加州大学伯克利分校);MIT(麻省理工学院)
本文提出聚类共形预测方法,通过将共形分数相似的类别聚类后在聚类级别进行预测,解决了多类别且每类标注数据有限时的类条件覆盖保证问题,并在最多1000类的图像数据集上验证了其优越性。
2023-10-27 cs.CV cs.LG stat.ME
Conformal prediction for frequency-severity modeling
School of Applied Mathematics, Getulio Vargas Foundation(应用数学学院,格尔瓦斯基金会);Insper Institute of Education and Research(Insper教育与研究学院);SUSEP - Superintendence of Private Insurance(私人保险监管局);UERJ - State University of Rio de Janeiro(里约热内卢州立大学)
本研究提出一种具备有限样本统计保证的模型无关框架,将拆分共形预测拓展至保险索赔的两阶段频率-强度建模领域,还针对随机森林强度模型拓展算法,利用袋外机制省去校准集需求。
2025-06-19 cs.LG stat.ME stat.ML
conformalClassification: A Conformal Prediction R Package for Classification
conformalClassification包为分类问题实现了Transductive共形预测(TCP)和归纳共形预测(ICP)。共形预测(CP)是一个框架,它通过可靠的置信度测量来补充机器学习算法的预测。TCP给出的结果具有比ICP更高的有效性,但是ICP在计算上比TCP更快。包conformalClassification基于随机森林方法构建,其中每个类的随机森林投票被认为是每个数据点的一致性得分。虽然conformalClassification包的主要目的是为分类问题生成CP错误(p值),但该包还实现了各种诊断措施,如有效性偏差,错误率,效率,观察到的模糊度和校准图。在未来的版本中,我们计划扩展该软件包以使用其他机器学习算法(例如支持向量机)进行模型拟合。
2018-04-16 cs.LG stat.ML
Discretized conformal prediction for efficient distribution-free inference
在没有已知真实基础模型的回归问题中,共形预测方法使预测区间能够在不对基础数据的分布进行任何假设的情况下构建,除了假设训练数据和测试数据是可交换的。然而,这些方法都有很大的计算成本,而且要想准确地执行,回归算法需要无限次地拟合。在实践中,共形预测方法是通过仅考虑响应变量的精细间隔值的有限网格来运行的。本文开发了离散化的共形预测算法,保证覆盖目标值与所需的概率,并提供计算成本和预测精度之间的权衡。
2023-01-27 stat.ME
From Conformal Predictions to Confidence Regions
Mila(米拉研究所);Apple(苹果公司)
本文提出CCR方法,利用保形预测区间为模型参数构建置信区域,在最小假设下提供有限样本覆盖保证,并适用于线性模型及多种保形预测方法,实证验证了其有效性。
2024-05-28 cs.LG stat.ME stat.ML
Conflict Forecasting via Conformal Prediction for Markov Processes
North Carolina State University(北卡罗来纳州立大学);The University of Texas at Dallas(德克萨斯大学达拉斯分校);Swedish Defense University(瑞典国防大学);University of Oslo(奥斯陆大学)
本文通过置信预测方法对马尔可夫过程的时间依赖数据进行预测,以获得未来冲突状态序列的预测集,并与基于似然的预测策略进行比较,探讨其在冲突预测中的应用及局限性。
2026-11-13 stat.AP stat.ME stat.ML
Fair Conformal Prediction for Incomplete Covariate Data
本研究针对协变量缺失场景,提出满足边际、掩码条件及渐近条件有效性的公平共形预测方法,并通过模拟与真实数据验证其优势。
2025-09-08 stat.ME
Conformal prediction with localization
我们提出了一种称为局部共形预测的新方法,其中我们可以仅使用新测试样本周围的局部区域来进行共形推断以构建其置信区间。局部共形推理是共形推理的自然扩张。它将保形预报方法推广到可以打破数据交换的情况,从而赋予检验样本以特殊的作用。据我们所知,这是第一个工作,介绍了这样一个本地化的框架,共形预测。我们证明了我们的建议也可以有无约束和有限样本覆盖保证,我们比较了本地化的共形预测和共形预测在模拟中的行为。
2020-07-07 math.ST stat.ME stat.TH
A Conformal Selection Framework for Individual Treatment Beneficiaries with Auxiliary External Data
Duke University(杜克大学);North Carolina State University(北卡罗来纳州立大学)
提出一个模型无关的共形推断框架,将基于CATE的治疗受益选择转化为多重检验问题,通过共形p值和Benjamini-Hochberg程序控制FDR,并利用外部数据提高效率。
2026-07-01 stat.ME
Selective conformal inference with false coverage-statement rate control
针对仅对测试集中被选个体报告预测区间的问题,本文提出 SCOP 选择性条件保形预测框架,在可交换性及更一般条件下提供 FCR 控制和非渐近覆盖保证,并生成更窄区间。
2024-03-12 stat.ME
Conformal Prediction for Dyadic Regression Under Complex Missingness
Washington University in Saint Louis(华盛顿大学圣路易斯分校);University of Michigan(密歇根大学)
针对复杂缺失机制下的二元回归问题,提出共形预测框架,通过分布不变性条件替代可交换性,并利用双射论证处理随机子集样本,同时提出多种共形预测程序,包括图论加权方法,实现渐近条件有效性。
2026-09-17 math.ST stat.ME stat.ML
Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores
University of California, Berkeley(加利福尼亚大学伯克利分校);Inria(法国国家信息与自动化研究所)
针对标准 conformal 预测仅保证边际覆盖的局限,本研究提出基于分类器置信度和信任分数的改进算法,在分类器过度自信于错误预测的关键场景提升条件覆盖,实证显示其在多图像数据集上改善了类别、子组等条件覆盖特性。
2025-02-09 cs.AI cs.LG stat.ME
Conformal Prediction for Time Series with Deep Sequence Models
Georgia Institute of Technology(佐治亚理工学院)
本研究系统探索深度序列模型在时间序列保形预测中的应用,提出三种方法并给出理论保证与实验验证。
2026-10-05 cs.LG stat.ML
One-Shot Federated Conformal Prediction
本文提出一种用于单次联邦学习的保形预测方法,通过分位数之分位数估计器在单轮通信中实现目标覆盖率,并提供本地差分隐私版本,实验证明其效果与集中式设置相近。
2023-07-31 stat.ML
A Conformal Prediction Approach to Explore Functional Data
Carnegie Mellon University(卡内基梅隆大学)
本文应用共形预测技术计算函数型数据的同时预测带和聚类树。这些工具可用于检测离群值和聚类。我们的预测带和聚类树都为底层随机过程提供了预测集,保证了有限样本行为,没有分布假设。预测集也是信息性的,因为它们对应于底层过程的高密度区域。虽然普通的共形预测有很高的计算成本的功能数据,我们使用的归纳共形预测,以及几个新的选择一致性得分,以简化计算。我们的方法说明了一些实际数据的例子。
2013-02-26 cs.LG stat.ML
Enhanced localized conformal prediction with imperfect auxiliary information
Nankai University(南开大学);the University of Melbourne(墨尔本大学)
提出增强局部化共形预测(ELCP),利用密度比加权核估计整合辅助数据,在保持有限样本边际覆盖的同时提升局部覆盖可靠性。
2026-06-07 stat.ME
On some practical challenges of conformal prediction
Department of Mathematical Sciences, The University of Texas at Dallas(德克萨斯大学达拉斯分校数学科学系)
本文探讨了符合预测方法在实际应用中的三个挑战,并提出了一种二次多项式非符合度量来同时解决这些挑战。
2026-03-30 cs.LG stat.ML
Conformal prediction intervals for the individual treatment effect
我们提出了几个预测区间的个人处理效应与有限样本或渐近覆盖保证在非参数回归设置,其中允许非线性回归函数,异方差和非高斯。我们使用Vovk等人(2005)的保形方法构建预测区间。在广泛的模拟中,我们比较了我们的预测区间过程的覆盖概率和区间长度。我们证明,复杂的学习算法,如神经网络,可以导致更窄的预测区间比简单的算法,如线性回归,如果样本量是足够大的。
2020-06-02 stat.ME
Conformal Prediction: a Unified Review of Theory and New Challenges
Politecnico di Milano(米兰理工大学);European Commission, Joint Research Centre (JRC)(欧盟委员会联合研究中心)
本文对无分布非参数预测方法Conformal Prediction展开统一综述,梳理其理论基础,同时列举该方法的前沿发展与适配方向,为相关领域研究提供系统参考。
2022-07-29 cs.LG econ.EM stat.ME
libconform v0.1.0: a Python library for conformal prediction
本文介绍了libconform v0.1.0,一个用于共形预测框架的Python库,在MIT许可下许可。libconform还不稳定。本文描述了实现的主要算法,并记录了libconform的API。还描述了有关未来版本中的实现和更改的一些细节。
2019-07-03 cs.LG stat.ML
Conformal Prediction for Trustworthy Detection of Railway Signals
我们提出了一个应用程序的共形预测,一种形式的不确定性量化的保证,检测铁路信号。测试最先进的架构,并且最有希望的架构经历一致化过程,其中对预测的边界框(即,它们的高度和宽度)应用校正,使得它们符合预定义的成功概率。我们从训练操作员的角度拍摄了一个新的探索性图像数据集,作为建立和验证未来值得信赖的机器学习模型的第一步,用于检测铁路信号。
2023-01-26 stat.ML
E-Values Expand the Scope of Conformal Prediction
Inria(法国国家信息与自动化技术研究所);Ecole Normale Supérieure(巴黎高等师范学院);PSL Research University(巴黎 sciences-et-lettres 大学);University of California, Berkeley(加州大学伯克利分校)
本文提出基于e-值的共形e-预测方法,通过三个应用展示了其在批量任意时刻有效预测、固定大小共形集及模糊标签场景下超越传统p-值方法的优势,扩展了共形预测的理论与实践能力。
2025-05-06 cs.LG stat.ML
Conformalized Interval Arithmetic with Symmetric Calibration
City University of Hong Kong(香港城市大学);Alpha Benito Research(阿尔法贝尼托研究院)
本文提出一种对称校准的共形区间算术方法,将单一目标共形预测区间扩展到多目标总和或平均值的估计,并在置换不变假设下证明其有效性,在类别平均估计和路径成本预测任务中优于现有共形及非共形方法。
2025-01-02 cs.LG stat.ML
Conformal Prediction Intervals for Markov Decision Process Trajectories
Oregon State University(俄勒冈州立大学);SRI International(SRI国际)
在将任务委托给自治系统之前,人类操作员可能想要关于系统的行为的保证。本文扩展了以前的工作保形预测的功能数据和保形分位数回归提供保形预测区间的自治系统执行一个固定的控制策略上的马尔可夫决策过程(MDP)的未来行为。预测区间是通过对分位数回归计算的预测区间应用保形校正来构造的。所得到的区间保证所观察到的轨迹将以概率$1-δ$位于预测区间内,其中概率是相对于MDP的起始状态分布和随机性来计算的。该方法在入侵物种管理和StarCraft2战斗的MDP上进行了说明。
2022-06-21 cs.LG stat.ML
Aggregating Predictions on Multiple Non-disclosed Datasets using Conformal Prediction
Uppsala University(乌普萨拉大学);Royal Holloway, University of London(伦敦大学皇家霍洛威学院);Stena Line(Stena Line(斯特纳航运))
共形预测是一种机器学习方法,可在温和条件下产生有效的预测区域。在本文中,我们探讨了在不同大小的多个数据源上进行预测的应用,而不披露源之间的数据。我们建议,每个数据源应用一个独立的使用本地数据的转导共形预测,然后聚合的个人预测,形成一个组合的预测区域。我们在几个数据集上演示了该方法,并表明所提出的方法产生保守有效的预测,并减少了聚合预测的方差。我们还研究了数据源的数量和每个源的大小对聚合预测的影响,与同样大小的源和汇总数据相比。
2018-06-14 cs.LG stat.ML
Confident Object Detection via Conformal Prediction and Conformal Risk Control: an Application to Railway Signaling
Institut de Mathématiques de Toulouse(图卢兹数学研究所);SNCF(法国国家铁路公司);Brown University(布朗大学);Thales AVS France SAS(泰雷兹航空航天系统法国股份有限公司);IRT Saint Exupéry(圣埃克苏佩里技术研究所)
本文面向铁路信号检测,基于驾驶员视角图像数据集和先进目标检测器,评估多种保形预测方法并提出保形风险控制新方法,以提供形式化保证的不确定性界限。
2023-04-17 cs.LG stat.ML