从多个有效预测集里选出最优解，还能保证覆盖概率。
Valid Selection among Conformal Sets
- 基于稳定性选择最优预测集，不破坏覆盖保证。
- 在在线场景下仍保持覆盖性，适用性更强。
- 适合需要可靠置信预测的机器学习应用。
分位数预测提供了一种无需分布假设的框架，可生成具有覆盖率保证的预测集。实践中，不同模型或方法可能产生多个有效的预测集。然而，若选择其中最紧凑（如最小）的集合，可能破坏覆盖率保证。为此，我们提出一种基于稳定性的选择方法，确保所选预测集仍满足覆盖率要求。我们将结果扩展至在线分位数预测场景，在存在额外结构信息时提出若干改进，并通过实验验证了该方法的有效性。
原文摘要 · Abstract (English)
Conformal prediction offers a distribution-free framework for constructing prediction sets with coverage guarantees. In practice, multiple valid conformal prediction sets may be available, arising from different models or methodologies. However, selecting the most desirable set, such as the smallest, can invalidate the coverage guarantees. To address this challenge, we propose a stability-based approach that ensures coverage for the selected prediction set. We extend our results to the online conformal setting, propose several refinements in settings where additional structure is available, and demonstrate its effectiveness through experiments.
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。