基于元学习交叉验证共形预测的少样本集合预测器校准
机器学习
2022-10-07 v1 机器学习
信号处理
摘要
众所周知，常规频率学派学习会产生校准不良的模型，无法可靠量化其决策的不确定性。贝叶斯学习可改善校准，但形式化保证仅在对正确模型设定的严格假设下成立。共形预测 (CP) 提供了一个通用框架，用于设计具有校准保证的集合预测器，该保证无论底层数据生成机制如何均成立。然而，当训练数据有限时，CP 往往产生庞大因而无信息的预测集合。本文提出一种新颖的元学习方案，旨在减小集合预测尺寸。与先前工作不同，所提元学习方案（称为 meta-XB）(i) 基于交叉验证共形预测，而非效率较低的基于验证的 CP；(ii) 保持逐任务的形式化校准保证，而非较宽松的任务边缘保证。最后，meta-XB 被推广至自适应非共形分数，经验表明其可进一步增强边缘逐输入校准。
引用
@article{arxiv.2210.03067,
title = {Few-Shot Calibration of Set Predictors via Meta-Learned Cross-Validation-Based Conformal Prediction},
author = {Sangwoo Park and Kfir M. Cohen and Osvaldo Simeone},
journal= {arXiv preprint arXiv:2210.03067},
year = {2022}
}
备注
submitted for journal publication