自适应共形引导：不确定性下的学习
机器学习
2025-10-01 v4 人工智能
摘要
在广泛范围的机器学习系统中，带引导的学习已被证明是有效的。例如，引导信号可以来自监督学习中的标注数据集、半监督学习中的伪标签，以及强化学习中的专家演示策略。然而，由于领域偏移和数据有限性，引导信号可能是噪声的，且可能泛化不佳。在引导信号噪声、不完整或与目标域不一致时盲目信任这些信号可能导致性能下降。为应对这些挑战，我们提出了自适应共形引导（AdaConG），一种通过分裂共形预测（CP）量化关联不确定性来动态调节引导信号影响的简单而有效的方法。通过自适应调整引导不确定性，AdaConG使模型能够减少对潜在误导性信号的依赖并提升学习性能。我们在多样化任务上验证了AdaConG，包括知识蒸馏、半监督图像分类、栅格世界导航和自动驾驶。实验结果表明AdaConG在 imperfect guidance 下提升了性能和鲁棒性，例如在栅格世界导航中，它加速了收敛并实现了比最佳基线高出6倍以上的奖励。这些结果凸显了AdaConG作为不确定性下学习的广泛适用解决方案。
引用
@article{arxiv.2502.16736,
title = {Adaptive Conformal Guidance for Learning under Uncertainty},
author = {Rui Liu and Peng Gao and Yu Shen and Ming Lin and Pratap Tokekar},
journal= {arXiv preprint arXiv:2502.16736},
year = {2025}
}