arXiv:2505.12578stat.MLcs.LG2025-05被引 4
用堆叠模型提升置信区间精度，计算量小且无需校准集。
Stacked conformal prediction
- 顶层元学习器结构简单，降低计算开销。
- 无需单独校准集即可实现近似边缘有效性。
- 实测表现优于传统归纳方法，适合高精度预测场景。
我们提出一种对堆叠预测模型进行置信校准的方法，证明堆叠结构中顶层元学习器的简洁形式可实现可控计算成本，同时在不依赖独立校准样本的情况下达到近似边缘有效性。实验结果表明，该方法相较于标准归纳性方法具有更优表现。
原文摘要 · Abstract (English)
We consider a method for conformalizing a stacked ensemble of predictive models, showing that the potentially simple form of the meta-learner at the top of the stack enables a procedure with manageable computational cost that achieves approximate marginal validity without requiring the use of a separate calibration sample. Empirical results indicate that the method compares favorably to a standard inductive alternative.
置信区间堆叠模型统计推断
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。