保守得分中的认识不确定性：统一方法
机器学习
2025-06-11 v2 机器学习
摘要
保守预测方法创建具有分布自由保证的预测带，但未明确捕捉认识不确定性，这可能导致数据稀疏区域的过度自信。尽管近期开发了针对这一局限的保守得分，但它们通常针对特定任务（如回归或分位数回归）进行设计，而且依赖于特定的认识不确定性建模选择，限制了其适用性。我们引入 EPICSCORE，一种模型无关的方法，通过显式整合认识不确定性来增强任何保守得分。利用高斯过程、蒙特卡罗 dropout 或贝叶斯加性回归树等贝叶斯技术，EPICSCORE 在数据有限的区域自适应扩大预测区间，同时在数据丰富的区域保持紧凑区间。与任何保守方法一样，它保持有限样本边际覆盖率。此外，它还实现了渐近条件覆盖。实验表明其性能优于现有方法。 designed for compatibility with any Bayesian model, but equipped with distribution-free guarantees, EPICSCORE 提供了一个面向不确定性量化的通用框架，可用于预测问题。
引用
@article{arxiv.2502.06995,
title = {Epistemic Uncertainty in Conformal Scores: A Unified Approach},
author = {Luben M. C. Cabezas and Vagner S. Santos and Thiago R. Ramos and Rafael Izbicki},
journal= {arXiv preprint arXiv:2502.06995},
year = {2025}
}