基于专家路由的自适应个体不确定性评估：应对外分布迁移
机器学习
2025-10-20 v1 人工智能
摘要
可靠、信息丰富且具有个体化的不确定性量化 (UQ) 仍在当前 ML 社区中缺失。这阻碍了 AI/ML 在风险敏感领域的有效应用。大多数方法要么无法在新数据上提供覆盖，要么会使区间过度扩大以致于无法实际操作，要么分配的不确定性无法跟踪实际误差，尤其是在分布迁移下更为如此。在高风险药物发现中，蛋白-配体亲和力 (PLI) 预测尤其具有挑战性，因为 assay 噪声异质、化学空间不平衡且庞大，实际评估常涉及分布迁移。在本工作中，我们引入一种新型不确定性量化方法，Trustworthy Expert Split-conformal with Scaled Estimation for Efficient Reliable Adaptive intervals (TESSERA)，它提供具有可靠覆盖保证的逐样本不确定性，信息丰富且自适应的预测区间宽度跟踪绝对误差。我们在蛋白-配体结合亲和力预测中评估了 i.i.d. 和基于骨架的外分布 (OOD) 分割情况，比较了强大的 UQ 基线。TESSERA 实现了接近名义的覆盖率，并在 Coverage-Width Criterion (CWC) 中实现了最佳的覆盖率-区间宽度权衡，同时保持竞争的适应性（最低的 Area Under the Sparsification Error (AUSE)）。Size-Stratified Coverage (SSC) 进一步证明了区间尺度合适，表明数据稀缺或噪声较大时区间宽度会增加，而在预测可靠时保持紧凑。通过将 Mixture of Expert (MoE) 多样性与共轨校准统一，TESSERA 提供了可靠、紧凑且自适应的不确定性，适用于药物发现管道中以及其他应用的选择性预测和下游决策。
引用
@article{arxiv.2510.15233,
title = {Adaptive Individual Uncertainty under Out-Of-Distribution Shift with Expert-Routed Conformal Prediction},
author = {Amitesh Badkul and Lei Xie},
journal= {arXiv preprint arXiv:2510.15233},
year = {2025}
}