又一个模型失效：以保守预测为高能物理中机器学习校准标准

机器学习技术在现代散射研究中至关重要，但其概率输出常缺乏校准的不确定性估计和有限样本保证，限制了其在统计推断和决策中的直接应用。保守预测（Conformal Prediction, CP）提供了一个简单且无分布假设的框架，用于在无需重新训练的情况下校准任意预测模型，yielding 在最小交换性假设下，严格的不确定性量化，涵盖有限样本覆盖保证，且不依赖渐进、极限定理或高斯近似。在本工作中，我们将CP作为高能物理中机器学习应用的统一校准层进行调查。利用公开的散射数据集和多样化的模型集合，我们展示了单一的保守形式可适用于回归、二分类和多分类、异常检测以及生成建模，将原始模型输出转换为受控假阳性率的统计有效预测集、典型性区域和p值。虽然保守预测无法提升原始模型性能，但它强制执行诚实的不确定性量化和透明的错误控制。我们认为，保守校准应被采用为高能物理中机器学习管道的标准组件，使其能够可靠地解释、稳健地进行比较，并在实验和现象学分析中进行原则统计决策。