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
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
Stable Localized Conformal Prediction via Transduction
School of Statistics;Data Science, Nankai University, Tianjin, China;School of Mathematics \& Statistics, The University of Melbourne, Melbourne, Australia
本文提出StCP方法,通过利用源任务标签数据和目标未标记数据,提升有限校准数据下的预测集稳定性,尤其对具有局部化的算法效果更佳。
2026-05-02 cs.LG stat.ME
Localized Conformal Multi-Quantile Regression
Department of Biostatistics, Georgetown University(乔治城大学生物统计学系)
本文提出LCMQR框架,结合多分位信息与核定位,构建高效适应性预测区间,并通过GC-LCMQR实现组级覆盖,提升预测效率与有效性。
2025-11-30 cs.AI cs.LG stat.ME
Diversifying Conformal Selections
Stanford University(斯坦福大学);Harvard Data Science Initiative(哈佛数据科学倡议)
DACS通过最优停止理论构建多样化候选集,控制FDR并提升效率。
2026-02-24 stat.ME
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 with local weights: randomization enables local guarantees
针对保形预测仅有边际覆盖、逐点局部覆盖又不可实现的问题,本文提出随机局部化保形预测RLCP,结合局部化与加权CP,获得放宽的局部覆盖及协变量偏移下有效性,并通过模拟和真实数据实验验证。
2024-10-26 stat.ME
MAPLE: Mapper Based Localized Prediction with Data Driven Cover Selection for High dimensional Data
Virginia Commonwealth University(弗吉尼亚联邦大学)
针对高维生物医学数据的复杂结构,提出MAPLE局部预测框架,基于拓扑数据分析,通过数据自适应映射器图定义邻域,引入数据驱动覆盖选择程序,适用于多种结果,有理论保证,模拟及应用显示其性能优越。
2026-07-09 stat.ME
Adaptive Multi-Scale Forecasting and Gate-Localized Conformal Prediction for Multivariate Nonstationary Time Series
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
针对多元非平稳时间序列预测与不确定性量化问题,提出ABF-T-GLCP框架,通过学习自适应预测状态表示,结合预测与共形校准模块,实验表明该框架能提升预测准确性、缩小区间,且应用范围广。
2026-07-28 cs.LG stat.AP stat.ME
Confidence on the Focal: Conformal Prediction with Selection-Conditional Coverage
针对焦点单元选择偏差导致保形预测边际覆盖失效问题,提出适用于任意排列不变选择规则的有限样本精确条件覆盖框架,推广Mondrian方法并实现多种规则的高效计算,在药物发现和健康风险预测中验证了性能。
2025-04-17 math.ST stat.ME stat.ML
ACS: An interactive framework for conformal selection
Department of Statistics and Data Science, University of Pennsylvania(统计与数据科学系,宾夕法尼亚大学);Department of Statistics, Stanford University(统计系,斯坦福大学)
本文提出自适应共形选择(ACS)框架,通过控制决策可用信息,在人在回路的自适应数据分析中保证FDR控制,并应用于LLM部署与药物发现等任务。
2025-07-21 cs.LG stat.ME stat.ML
Feedback-Enhanced Online Multiple Testing with Applications to Conformal Selection
Nankai University(南开大学);Shanghai Jiao Tong University(上海交通大学)
本文提出GAIF框架,通过动态调整阈值实现FDR控制,并扩展至在线符合检验,提高统计功效。
2026-07-21 stat.ME stat.ML
Post-selection Inference for Conformal Prediction: Trading off Coverage for Precision
本文提出同时共形推断方法,解决数据相关误覆盖率下的选择后推断问题,允许在保持有限样本保证的同时灵活权衡覆盖概率与预测集质量。
2023-06-30 stat.ME stat.ML
Online Selective Conformal Prediction with Asymmetric Rules: A Permutation Test Approach
University of Pennsylvania(宾夕法尼亚大学)
本文提出PEMI框架,用于在线选择性符合预测,解决非对称选取机制下的预测集覆盖问题。
2026-02-10 math.ST stat.ME stat.ML
Multivariate Conformal Selection
MRL, Merck & Co., Inc.(默克公司研究实验室);Mila - Quebec AI Institute(米拉-魁北克人工智能研究所)
针对保形选择仅限单变量响应的问题,提出 Multivariate Conformal Selection(mCS)方法,通过区域单调性和多变量非一致性分数构建保形 p 值,在控制 FDR 的同时显著提升了多变量选择功效。
2025-05-01 cs.AI cs.LG stat.ME
On the Validity of Conformal Prediction for Network Data Under Non-Uniform Sampling
本文将网络抽样建模为超总体上的选择事件,证明置换不变性与联合可交换性可保证保形预测有限样本有效,并给出随机游走抽样下加权保形预测的渐近有效性。
2023-07-13 math.ST stat.ME stat.ML
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
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
Selection by Prediction with Conformal p-values
本文提出一种基于共形推断的筛选方法,通过构造p值并与多重检验阈值比较,在控制错误选择比例的同时从候选池中选出结果超过指定值的候选者,并应用于招聘和药物发现。
2023-05-27 stat.ME stat.ML
Slope heuristics and V-Fold model selection in heteroscedastic regression using strongly localized bases
我们研究了在异方差随机设计回归背景下,所谓的斜率统计学,$V$ -折叠交叉验证和$V$ -折叠惩罚模型选择的最优性。我们考虑一类新的线性模型,我们称之为强局部化的基础和推广直方图,分段多项式和紧支撑小波。我们推导出了证明斜率优化的渐近最优性的尖锐预言不等式--当最优惩罚形状已知时--和$V$ -fold惩罚。此外,$V$ -折叠交叉验证似乎是次优的固定值的$V$,因为它恢复渐近的oracle从样本量等于$1-V^{-1}$的原始数据量的学习。我们的研究结果是基于真正的集中不平等的真实和经验的超额风险是独立的利益。我们在我们的实验中表现出良好的行为的斜率线性小波模型的选择。此外,$V$ -倍数交叉验证和$V$ -倍数惩罚具有相当的效率。
2017-03-15 math.ST stat.ME stat.TH
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
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
Structure-Adaptive Conformal Inference for Large-Scale Out-of-Distribution Testing
Center for Data Science and School of Mathematical Sciences, Zhejiang University(数据科学中心和数学科学学院,浙江大学)
提出结构自适应共形q值(SCQ)和伪分数引导的直推式自动模型选择(P-TAMS),在成对可交换性下实现结构化分布外检测的有限样本错误率控制、功效提升和可解释性增强。
2026-05-26 cs.AI cs.LG stat.ME
Sequential Conformal Calibration under Recursive Selection
Georgia Institute of Technology(佐治亚理工学院);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Shanghai Jiao Tong University(上海交通大学)
本文针对递归选择场景提出序列共形校准方法,推导了覆盖过程规律,刻画了新鲜度与数据复用的权衡,将其应用于多级库存问题,模拟显示其覆盖达标且成本低于Bonferroni基线。
2026-10-14 math.OC stat.AP stat.ME
A non-asymptotic approach for model selection via penalization in high-dimensional mixture of experts models
Normandie Univ(诺曼底大学);UNICAEN(卡昂大学);CNRS(法国国家科学研究中心);Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学);Inria(法国国家信息与自动化研究所);Grenoble INP(格勒诺布尔国立理工学院);La Trobe University(乐卓博大学);University of Queensland(昆士兰大学)
专家混合(MoE)是一类流行的统计和机器学习模型,多年来由于其灵活性和效率而受到关注。在这项工作中,我们考虑高斯门控本地化MoE(GLoME)和块对角协方差本地化MoE(BLoME)回归模型,以呈现非线性关系的异质数据与潜在的隐藏的图形结构的高维预测之间的相互作用。这些模型提出了困难的统计估计和模型选择问题,无论是从计算和理论的角度。在惩罚极大似然估计的框架下,研究了由混合分量数、高斯均值专家复杂度协方差阵的隐块对角结构组成的GLoME或BLoME模型集合中的模型选择问题.特别是,我们建立了非渐近的风险界,采取的形式弱预言不等式,提供的下界的处罚举行。我们的模型的良好的经验行为,然后证明在合成和真实的数据集。
2022-09-04 cs.AI cs.LG math.ST