Forecast Hedging and Calibration
University of Pennsylvania(宾夕法尼亚大学);Amazon(亚马逊);The Hebrew University of Jerusalem(耶路撒冷希伯来大学)
校准意味着预测和平均实现频率接近。我们发展了预测套期保值的概念,它包括选择预测,以保证预期的跟踪记录只能改善。这通过相同的简单基本参数产生所有校准结果,同时通过所使用的预测对冲工具区分它们:基于确定性和不动点的与基于随机和极大极小的。额外的贡献是一个改进的定义,连续校准,随后的游戏动态,产量纳什均衡,从长远来看,和一个新的校准预测程序的二进制事件,比所有已知的这样的程序更简单。
2022-10-13 cs.GT cs.LG econ.TH
Finite-sample Calibration Guarantees for Binary Segmentation
University of Graz(格拉茨大学)
本研究针对二值分割模型的校准偏差问题,提出一种考虑空间依赖性的事后校准方法,该方法可提供有限样本校准保证,且性能优于现有事后校准方法。
2026-11-09 cs.CV cs.LG
Probabilistic Conformal Coverage Guarantees in Small-Data Settings
Berkeley Synchrotron Infrared Structural Biology Program(伯克利同步辐射红外结构生物学项目);Center for Advanced Mathematics in Energy Research Applications(能源研究应用高级数学中心);Molecular Biophysics and Integrated Bioimaging Division(分子生物物理与整合生物成像部门)
本文提出小样本贝塔校正(SSBC),通过利用共形覆盖率的精确有限样本分布调整显著性水平,在小数据场景下为分裂共形预测提供概率覆盖保证,解决单次校准集覆盖率波动大的问题。
2025-09-18 cs.LG
A Unifying Perspective on Multi-Calibration: Game Dynamics for Multi-Objective Learning
University of California, Berkeley(加州大学伯克利分校)
本文提出统一框架,将多校准问题建模为多目标学习,借助博弈动力学获得更强保证,并将k类多校准复杂度改进k的指数因子,同时拓展至群体公平性与多分布学习。
2023-09-19 cs.LG
Large-scale probabilistic predictors with and without guarantees of validity
本文从理论和经验上研究了一种将机器学习算法转化为概率预测器的方法,该方法自动享有有效性(完美校准)并且计算效率高。完美校准的代价是这些概率预测器产生不精确的概率(实际上,对于大型数据集几乎是精确的)。当这些不精确的概率被合并到精确的概率,由此产生的预测,而失去了完美的校准的理论属性,是一贯更准确的比现有的方法在实证研究。
2015-11-13 cs.LG
Distribution-free calibration guarantees for histogram binning without sample splitting
Carnegie Mellon University(卡内基梅隆大学)
我们证明了Zadrozny和Elkan [2001]流行的直方图分箱(也称为均匀质量分箱)方法的校准保证。直方图分箱显示出强大的实际性能,但理论上的保证只显示为样本分割版本,避免“双重浸渍”的数据。我们证明了样本分割的统计成本在信用违约数据集上是非常重要的。然后,我们证明校准保证原始的方法,双倾角的数据,使用一定的马尔可夫性的顺序统计量。根据我们的研究结果,我们提出了实用的建议,选择直方图分箱的数量。在我们的说明性模拟中,我们提出了一种新的工具来评估校准-有效性图-它提供了比ECE估计更多的信息。这项工作的代码将在https://github.com/aigen/df-posthoc-calibration上公开。
2021-07-19 cs.LG stat.ME stat.ML
Optimized Certainty Equivalent Risk-Controlling Prediction Sets
Department of Engineering, King’s College London, London, UK(工程系,伦敦大学国王学院,伦敦,英国)
本文提出OCE-RCPS框架,通过上置信界提供高概率保证,有效控制风险度量如CVaR和熵风险,在图像分割任务中表现出更高的可靠性。
2026-02-14 cs.LG eess.SP
Ad Hoc Microphone Array Calibration: Euclidean Distance Matrix Completion Algorithm and Theoretical Guarantees
Idiap Research Institute(Idiap研究所);École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院)
本文讨论的问题,ad hoc麦克风阵列校准麦克风之间的距离只有部分信息。我们构造了一个矩阵组成的成对距离,并提出了一种新的欧氏距离矩阵完成算法的基础上估计丢失的条目交替低秩矩阵完成和投影到欧氏距离空间。这种方法限制恢复矩阵的EDM锥在矩阵完成算法的每次迭代。考虑到随机和局部结构的缺失条目以及已知距离上的测量噪声,获得了校准性能的理论保证。这项研究阐明了校准误差和麦克风的数量以及噪声水平和缺失距离的比率之间的联系。真实数据记录和模拟设置进行彻底的实验,以证明这些理论的见解。一个显着的改善是由建议的欧几里德距离矩阵完成算法超过国家的最先进的技术,为ad hoc麦克风阵列校准。
2014-08-31 cs.LG cs.SD
$L_2$-Regularized Empirical Risk Minimization Guarantees Small Smooth Calibration Error
The University of Osaka(大阪大学);RIKEN AIP(理化学研究所AIP);Lattice Lab, Toyota Motor Corporation(丰田株式会社格子实验室)
本文首次从理论上证明 $L_2$ 正则化经验风险最小化可直接控制平滑校准误差,无需事后校正,并在核岭回归和核逻辑回归中给出具体保证,实验验证了其有效性。
2025-10-15 cs.LG math.ST stat.ML
Focal Calibration Loss: Controlling Posterior Distortion in Deep Neural Classifiers
The University of Adelaide, Australia(阿德莱德大学)
本文提出焦点校准损失(FCL),其可控制深度分类器的后验失真,经多类图像、文本等任务验证,FCL在部分场景校准与预测指标更优,但在Transformer上无校准优势,相关结果取决于场景与指标。
2026-08-26 cs.CV cs.LG stat.ML
Few-Shot Calibration of Set Predictors via Meta-Learned Cross-Validation-Based Conformal Prediction
已知传统的频率主义学习会产生校准不良的模型,这些模型无法可靠地量化其决策的不确定性。贝叶斯学习可以改善校准,但形式保证仅适用于对正确的模型规范的限制性假设。共形预测(CP)提供了一个通用框架,用于设计具有校准保证的集合预测器,无论底层数据生成机制如何。然而,当训练数据有限时,CP倾向于产生大的,因此没有信息的预测集。本文介绍了一种新的元学习解决方案,旨在减少集合预测大小。与先前的工作不同,所提出的元学习方案(称为元XB)(i)建立在基于交叉验证的CP上,而不是效率较低的基于验证的CP;(ii)保留正式的每任务校准保证,而不是不太严格的任务边际保证。最后,元XB扩展到自适应非共形分数,这是经验,以进一步提高边际每输入校准。
2022-10-06 cs.LG eess.SP stat.ML
Controlling False Positives in Image Segmentation via Conformal Prediction
IRT Saint Exupéry(伊尔-德-圣埃克苏佩里研究院)
通过置信预测控制图像分割中的假阳性,提供无分布的图像层面控制和有限样本保证。
2025-11-19 cs.CV cs.LG
Classifier Calibration with ROC-Regularized Isotonic Regression
Inria(法国国家信息与自动化研究所);Ecole Normale Supérieure(巴黎高等师范学院);PSL Research University(巴黎文理研究大学);University of California, Berkeley(加利福尼亚大学伯克利分校)
本文提出一种 ROC 正则化保序回归方法,在保持 ROC 凸包或曲面的同时实现零校准误差,有效平衡交叉熵损失与校准集过拟合。
2023-11-21 cs.LG
U-Calibration: Forecasting for an Unknown Agent
Cornell University(康奈尔大学);Google Research(谷歌研究院)
针对未知效用智能体的预测评估问题,提出U-calibration指标及在线算法,证明其误差是所有智能体实现次线性遗憾的充要条件,且达到最优速率。
2023-06-30 cs.GT cs.LG
Active, anytime-valid risk controlling prediction sets
Carnegie Mellon University(卡内基梅隆大学);Microsoft(微软公司)
该研究将风险控制预测集(RCPS)拓展至序贯主动标注场景,提出任意时刻有效的风险保证框架,刻画了固定标签预算下的最优策略与预测器,实验验证其用更少标签实现更高效用。
2024-10-31 cs.LG stat.ML
Split Conformal Classification with Unsupervised Calibration
BCAM-Basque Center for Applied Mathematics and IKERBASQUE-Basque Foundation for Science(BCAM巴斯克应用数学中心和IKERBASQUE巴斯克科学基金会)
本文提出一种用于分类任务的无监督校准分裂共形预测方法,利用无监督校准样本和训练样本构建集合预测规则,在性能保证和计算效率适度下降的情况下达到与有监督校准相当的性能。
2025-10-14 cs.LG stat.ML
Mirror Online Conformal Prediction with Intermittent Feedback
King’s Communications, Learning and Information Processing (KCLIP) Lab, Department of Engineering, King’s College London(国王学院通信、学习和信息处理实验室(KCLIP)实验室,工程系,伦敦国王学院)
本文提出间歇镜像在线共形预测框架IM-OCP,在可能间歇反馈下整合先验知识,以极低内存复杂度同时实现长期覆盖保证和次线性遗憾。
2025-07-07 cs.LG eess.SP
Robust Decision Making with Partially Calibrated Forecasts
University of Pennsylvania(宾夕法尼亚大学)
本文研究在仅有部分校准保证的预测下,保守决策者如何通过极小极大方法稳健地将预测映射到行动,发现决策校准即可恢复信任预测的最优性,并提供了高效计算规则及实证评估。
2025-10-27 cs.AI cs.LG stat.ML
Adaptive Cumulative Mass Calibration with Conformal Prediction
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);École pour l’informatique et les techniques avancées(先进信息技术学院)
提出一种基于共形预测的校准方法,通过自适应温度缩放实现累积概率的边际覆盖保证,在图像分类任务中改进了多种校准误差指标。
2026-06-25 cs.LG stat.ML
Cloud-Native Evaluation-as-a-Service: A Microservices Architecture for Scalable AI Monitoring with Conformal Guarantees
Amazon Web Services(亚马逊网络服务公司)
研究提出云原生评估即服务EaaS架构,将人工智能评估方法化为六个微服务。验证了方法的关键问题,如覆盖率、插补影响、漂移检测能力和公平性监测等。给出了相关实验结果,且与开源工具比较,表明该架构有创新性。
2026-07-27 cs.LG
Coverage You Can Steer: Online Conformal Calibration for RL-Driven Hardware-Aware NAS
Vicomtech Foundation, Basque Research and Technology Alliance (BRTA)(维科姆技术基金会,巴斯克研究与技术联盟(BRTA))
针对硬件感知NAS中RL循环破坏共形预测可交换性假设的问题,提出在线共形校准方法,实现可操控覆盖率,在保持精度下剪除25-50%评估,并优于基线。
2026-10-05 cs.LG
Coverage Guarantees for Pseudo-Calibrated Conformal Prediction under Distribution Shift
Elmore Family School of Electrical and Computer Engineering, Purdue University(艾洛姆家族电气与计算机工程学院,普渡大学)
针对分布漂移下保形预测覆盖失效问题,利用伪校准和领域自适应工具,推导目标覆盖下界,并提出通过松弛参数膨胀保形阈值的方法及源调优伪校准算法,实验证明其能缓解覆盖退化。
2026-07-20 cs.LG eess.IV
Conformal Calibration Transfer
Technical University of Darmstadt(达姆施塔特工业大学);Tongji University(同济大学)
针对标定与部署数据不可交换的迁移场景,提出传输保形校准(TCC)方法,通过配对数据迁移标定并校正失配,实现无需目标标签的可靠覆盖保证。
2026-09-11 cs.LG stat.ML
Ensuring Calibration Robustness in Split Conformal Prediction Under Adversarial Attacks
Michigan State University(密歇根州立大学)
本文研究了在对抗攻击下分割置信预测的鲁棒性,提出通过校准时间攻击强度控制覆盖度,并通过对抗训练提升预测集的紧致性与信息量。
2025-12-22 cs.LG stat.ML
Beyond Marginal Validity: Finite-Sample Guarantees for Localized Conformal Prediction
EPITA(法国高等计算机与电子技术学院)
针对随机局部共形预测(RLCP)缺乏同时控制条件有效性和先验效率的有限样本保证的问题,本文在特定假设下推导了相关高概率界,阐明了带宽偏差-方差权衡,还分析了数据拆分学习得分的情况,为RLCP提供了理论支撑。
2026-08-07 cs.LG stat.ML
A Critical Perspective on Finite Sample Conformal Prediction Theory in Medical Applications
Max Planck Institute for Intelligent Systems, Germany(德国马克斯·普朗克智能系统研究所);Tübingen AI Center, Germany(图宾根人工智能中心);ELLIS Institute Tübingen, Germany(图宾根ELLIS研究所);Department of Digital Medicine, University of Bern, Switzerland(伯恩大学数字医学系);Department of Diabetes, Endocrinology, Nutritional Medicine and Metabolism UDEM, Inselspital, Bern University Hospital, University of Bern, Switzerland(伯恩大学糖尿病、内分泌学、营养医学和代谢学系);Diabetes Center Berne, Bern, Switzerland(伯恩糖尿病中心);University of Tübingen, Germany(图宾根大学);University of Lucerne, Switzerland(卢塞恩大学)
本文批判性地探讨了有限样本下符合预测理论在医学应用中的有效性,指出校准样本大小对实际效用的影响,并通过医学图像分类任务验证了这一观点。
2025-12-09 cs.AI cs.LG stat.ME
Distribution-Free Model-Agnostic Regression Calibration via Nonparametric Methods
Imperial College Business School, Imperial College London(帝国理工学院商学院)
本文提出无分布、模型无关的非参数回归校准方法,首次以最小假设同时实现个体校准和有限样本保证,并建立匹配的校准误差上下界。
2023-10-26 cs.LG stat.ME stat.ML
Proactive Routing to Interpretable Surrogates with Distribution-Free Safety Guarantees
本文研究了主动路由方法,通过轻量级门控在部署中选择准确的黑盒模型或更简单的替代模型,确保替代模型的退化在可控范围内,同时提供分布无关的安全保证。
2026-03-15 cs.LG
A Large-Scale Study of Probabilistic Calibration in Neural Network Regression
University of Mons(蒙斯大学)
针对神经网络回归的概率校准问题,本文开展大规模实证研究,比较再校准、共形与正则化方法,并提出可微方法,揭示正则化的校准—锐度权衡及共形预测的覆盖优势。
2023-06-07 cs.LG
Onboard Out-of-Calibration Detection of Deep Learning Models using Conformal Prediction
German Aerospace Center (DLR)(德国航空航天中心)
本文利用共形预测与模型不确定性的关系,提出一种检测深度学习模型是否失校准的方法,并在遥感数据集上验证了噪声场景下模型输出的不可信性。
2024-05-04 cs.AI cs.LG
Group-Conditional Conformal Risk Control: Exact Guarantees, Limits, and Overlapping Extensions
New Jersey Institute of Technology(新泽西理工学院)
该研究针对不相交和重叠组的共形风险控制问题,建立了精确有限样本保证、基本限制,提出两种重叠组的有效方法,通过实验验证了直接校准可减小预测集规模,两种方法各有优劣。
2026-11-10 cs.LG math.ST stat.ML
Calibrated Uncertainty Quantification for Operator Learning via Conformal Prediction
California Institute of Technology(加州理工学院);NVIDIA(英伟达)
提出风险控制量子神经算子,一种无分布假设的有限样本函数校准共形预测方法,在二维达西流和三维汽车表面压力预测任务上实现校准覆盖,且三维任务中唯一达到98%目标校准百分比。
2024-02-06 cs.LG
Conformal Linguistic Calibration: Trading-off between Factuality and Specificity
Johns Hopkins University(约翰霍普金斯大学)
本文提出共形语言校准(CLC)框架,通过答案集预测统一弃权与语言校准,实现对模型输出不精确度的控制,在保证事实准确性的同时平衡事实性与具体性。
2025-08-11 cs.CL cs.LG
Calibration without Ground Truth
Peking University(北京大学);Microsoft Research(微软研究院)
本文提出一种无需标注的校准方法,通过参考模型改进校准不准确的强模型,实现性能提升。
2026-01-27 cs.GT cs.LG
Multi-Variable Conformal Prediction: Optimizing Prediction Sets using Multiple Calibration Variables
TU Munich & MCML, Germany(慕尼黑技术大学及MCML,德国);Politecnico di Milano, Italy(米兰理工学院,意大利);University of Brescia, Italy(布雷西亚大学,意大利);ETH Zürich, Switzerland(苏黎世联邦理工学院,瑞士)
本文提出多变量符合预测框架,通过统一预测集设计与校准为单优化问题,无需数据分割即可保证覆盖概率。RemMCP和RelMCP在椭圆和多模预测集中表现出更小的预测集大小和更低的方差。
2026-10-28 cs.LG stat.ML
Semi-Supervised Risk Control via Prediction-Powered Inference
Department of Electrical and Computer Engineering, Technion IIT, Haifa, Israel(电气与计算机工程系,技术离子研究所,海法,以色列);Department of Computer Science, Technion IIT, Haifa, Israel(计算机科学系,技术离子研究所,海法,以色列)
针对RCPS校准依赖有限有标注留出数据导致超参数噪声和错误率保守的问题,提出基于prediction-powered inference的半监督校准方法,并在少样本图像与早期时间序列分类中验证其有效性。
2025-07-27 cs.LG stat.ML
Efficient Federated Conformal Prediction with Group-Conditional Guarantee
IoT Thrust(物联网 thrust);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Institute for Intelligent Networked Systems (INSI)(智能网络化系统研究所);Northeastern University London(伦敦东北大学);Department of ECE The Hong Kong University of Science and Technology HK SAR(电子工程系 香港科技大学香港特别行政区)
提出GC-FCP方法,通过可合并的原子分层核心集实现联邦共形预测的组条件覆盖保证,在合成和真实数据集上验证了性能。
2026-07-03 cs.AI cs.LG stat.ML
Bellman Calibration for $V$-Learning in Offline Reinforcement Learning
Department of Statistics, University of Washington(华盛顿大学统计学系)
本文提出贝尔曼校准方法,用于解决离线强化学习中长期价值预测的可靠性问题,通过校准误差评估和迭代贝尔曼校准方法提升价值预测性能。
2026-05-07 cs.LG econ.EM stat.ML
Taking a Step Back with KCal: Multi-Class Kernel-Based Calibration for Deep Neural Networks
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
深度神经网络(DNN)分类器通常过于自信,产生错误校准的类概率。在医疗保健等高风险应用中,从业人员需要$\textit{fully calibrated}$概率预测来进行决策。也就是说,以预测$\textit{vector}$为条件,$\textit{every}$类的概率应该接近预测值。大多数现有的校准方法要么缺乏产生校准输出的理论保证,降低分类精度的过程中,或只校准预测类。本文提出了一种新的基于核的校准方法KCal。与现有的校准程序不同,KCal不直接对DNN的logits或softmax输出进行操作。相反,KCal在倒数第二层潜在嵌入上学习度量空间,并使用校准集上的核密度估计生成预测。我们首先从理论上分析KCal,表明它享有可证明的$\textit{full}$校准保证。然后,通过在各种数据集上进行广泛的实验,我们表明KCal始终优于基线,这是通过校准误差和适当的评分规则(如Brier Score)来衡量的。
2022-12-08 cs.LG stat.ME stat.ML
Quantile Learn-Then-Test: Quantile-Based Risk Control for Hyperparameter Optimization
本文提出一种LTT变体,通过为风险度量的分位数提供统计保证来控制风险感知目标,并在无线电接入调度问题中验证了其优势。
2024-07-24 cs.IT cs.LG math.IT
Adjusting Regression Models for Conditional Uncertainty Calibration
University of Florida(佛罗里达大学);Netflix(网飞公司);Cornell University(康奈尔大学)
针对Conformal Prediction缺乏条件覆盖保证的问题,提出一种新颖的端到端回归训练算法,通过控制条件与名义覆盖率差距的上界来改善条件覆盖,并在合成和真实数据集上验证了其有效性。
2024-09-26 cs.AI cs.LG stat.ML
Coverage-Guaranteed Speech Emotion Recognition via Calibrated Uncertainty-Adaptive Prediction Sets
Beihang University(北航大学);Chongqing University of Posts and Telecommunications(重庆邮电大学)
本文提出一种风险控制预测框架,通过校准集和数据驱动阈值优化联合损失函数,为语音情感识别提供覆盖保证,并在多个基线和数据集上验证了其鲁棒性与在线校准能力。
2025-05-07 cs.LG cs.SD eess.AS
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
Certified by Abstention: Distribution-Free Guarantees for Chain-of-Thought Verifiers at Small Calibration Budgets
Columbia University(哥伦比亚大学)
本文研究小校准预算下思维链验证器的无分布保证,发现通过弃权(不执行)实现有效性,并提出改进的固定序列证书以提高覆盖率。
2026-10-08 cs.CL cs.LG stat.ML
End-to-End Conformal Calibration for Optimization Under Uncertainty
Department of Computing and Mathematical Sciences(计算与数学科学部);California Institute of Technology(加州理工学院)
本文提出端到端符合校准框架,用于在不确定性下优化,通过下游决策损失指导不确定性学习,提升能源存储和投资组合优化性能。
2026-02-01 cs.LG math.OC
CoVeR: Conformal Calibration for Versatile and Reliable Autoregressive Next-Token Prediction
University of Science and Technology of China(中国科学技术大学);Nanyang Technological University(南洋理工大学)
针对现有自回归模型解码策略缺乏可证明覆盖率保证、难以平衡搜索效率与轨迹多样性的问题,提出无模型解码策略CoVeR,在共形预测框架下兼顾搜索空间紧凑性与高覆盖率,并证明其PAC风格泛化界。
2025-09-05 cs.AI cs.LG
Empirical Calibration and Metric Differential Privacy in Language Models
Macquarie University(麦考瑞大学)
针对 DP-SGD 隐私预算难以跨机制比较的问题,论文用攻击实验校准 NLP 隐私,提出基于 VMF 分布的定向度量 DP 机制,并揭示不同机制在效用-隐私权衡中的优势。
2025-03-18 cs.CR cs.LG
On Computationally Efficient Multi-Class Calibration
Apple(苹果公司);Stanford University(斯坦福大学)
本文提出投影平滑校准这一多类校准新概念,并给出多项式复杂度的重校准算法,在保证下游二分类决策强校准的同时,证明更强的校准要求在计算上不可行。
2024-06-08 cs.CC cs.DS cs.LG
Hierarchical Utility Calibration for Structured Multiclass Decisions
The University of Osaka(大阪大学);The University of Tokyo(东京大学);RIKEN Center for Advanced Intelligence Project (AIP)(理化学研究所先进智能项目中心(AIP));Mila – Quebec AI Institute(米拉——魁北克人工智能研究所);Université de Montréal(蒙特利尔大学);Nagoya University(名古屋大学)
针对多类概率预测中的效用校准问题,提出分层效用校准(HUC)方法,通过分解标签树内部节点贡献并逐节点校准,解决了层次结构中效用误差抵消问题,并给出有限样本评估与理论保证。
2026-09-30 cs.LG stat.ML
Causal isotonic calibration for heterogeneous treatment effects
University of Washington(华盛顿大学);University of Pennsylvania(宾夕法尼亚大学)
针对异质性处理效应预测器的校准问题,提出非参数因果等渗校准及无需留出集的交叉校准,并证明其在弱条件下具有快速双重稳健速率和无分布保证。
2023-06-06 cs.LG stat.ME stat.ML
Conformal Risk Sharing: Certified Cost Allocation with Participation Guarantees
Ieva Kazlauskaite(伊娃·卡祖利特)
提出共形风险分担方法,通过可解释的分担策略与分裂共形校准相结合,从有限数据中无分布假设地分配罕见事件的财务影响,为每个参与者提供义务上限并验证无人受损。
2026-06-04 cs.LG stat.ML
Adaptive Conformal Regression with Jackknife+ Rescaled Scores
IBM Research(IBM研究院)
本文提出一种基于Jackknife+重缩放分数的自适应保形回归方法,在不牺牲校准集大小的前提下实现局部覆盖,并在低数据场景下优于现有方法。
2023-05-31 cs.LG stat.ML
Conformal Risk Control under Non-Monotone Losses: Theory and Finite-Sample Guarantees
Department of Mathematical Sciences(数学科学系);New Jersey Institute of Technology(新泽西理工学院)
本文研究非单调损失函数下的符合风险控制,在有限网格中选择调节参数。通过分析发现,校准样本量与网格分辨率的关系影响控制有效性,并建立了有限样本保证,证明了非单调损失下的风险控制最优性。
2026-11-13 cs.LG stat.ML
Confidence Calibration of Deep Learning Systems
Faculty of Engineering, Bar-Ilan University(巴伊兰大学工程学院)
本论文针对标签噪声、无监督域适应及隐私保护场景,开发深度学习系统的置信度校准方法,提升其在实际部署中的可靠性与安全性。
2026-08-13 cs.AI cs.LG stat.ML