ConfHit：带 Oracle 免费保证的 conformal 生成式设计
机器学习
2026-03-12 v1 人工智能
应用统计
统计方法学
机器学习
摘要
深度生成模型在科学发现中的成功不仅需要能够生成新颖的候选方案，还需要可靠地保证这些候选方案确实满足所需属性。近期的 conformal 预测方法为实现此类保证提供了路径，但其在药物发现中的生成模型应用受限于预算约束、缺乏 oracle 访问以及分布迁移。为此，我们引入 ConfHit，一个无分布假设的框架，在这些条件下提供有效性保证。ConfHit 正式提出两个核心问题：（i）认证：所生成的批次是否可以保证在用户指定的置信水平下至少包含一个 hit；（ii）设计：生成是否可以被细化为紧凑集合而不削弱此类保证。ConfHit 利用历史样本与生成样本之间的加权可交换性来消除对实验 oracle 的需求，构建多样本密度比率加权 conformal p 值来量化 hit 的统计置信度，并提出分层测试程序在保持统计保证的同时认证和细化多个生成样本的候选集。跨越代表性的分子生成设计任务以及广泛的方法，ConfHit 在多个置信水平上始终提供有效的覆盖保证，同时保持紧凑的认证集合，建立了一个原则且可靠的生成模型框架。
引用
@article{arxiv.2603.07371,
title = {ConfHit: Conformal Generative Design with Oracle Free Guarantees},
author = {Siddhartha Laghuvarapu and Ying Jin and Jimeng Sun},
journal= {arXiv preprint arXiv:2603.07371},
year = {2026}
}
备注
Accepted at ICLR 2026