关于带杂音参数的分类及似然无信息下的广义标签偏移

一个开放的科学挑战是如何在我们拥有数据生成过程的机制模型但标签和潜在杂音参数的分布在训练和目标数据之间不同的情况下，对事件进行可靠的分类，以可靠的不确定性度量进行分类。我们称这种分布偏移为广义标签偏移 (GLS)。直接使用观察数据 $\mathbf{X}$ 作为协变量进行分类会导致偏差的预测和无效的标签 $Y$ 的不确定性估计。我们通过将分类作为杂音参数下的假设检验问题来克服这些偏差，提出了一种 robust 不确定性量化的新方法。关键思想是估计整个杂音参数空间中分类器的接收者工作特征 (ROC)，这允许我们制定在 GLS 下不变的 cutoff。我们的方法有效地为预训练的分类器提供了领域适应能力，并在保持高功率的同时返回有效的预测集。我们在来自真实机制模型的数据中，针对生物学和天体物理学中的两个具有挑战性的科学问题演示了其性能。