Generalized Venn 和 Venn-Abers 校准及其在共形预测中的应用
机器学习
2025-07-17 v3 机器学习
统计方法学
摘要
确保模型校准是实现可靠预测的关键任务，但诸如直方图分箱和等温回归等流行的分布自由方法仅能提供渐近保证。我们提出了一个统一的框架，用于Venn和Venn-Abers校准，将Vovk的方法扩展到以通用损失函数定义的广泛预测问题。该方法将任何完美在样本内校准的预测器转化为一个集合值预测器，在有限样本中输出至少一个边际校准的单一预测。这些集合预测随之收缩，渐进收敵于单个条件校准的预测，捕捉表征不确定性。我们进一步提出了Venn多校准方法，实现了在子人群中的有限样本校准。对于分位数损失，我们的框架恢复了组条件校准和多校准共形预测作为特殊情况，并产生具有分位数条件覆盖的新型预测区间。
关键词
引用
@article{arxiv.2502.05676,
title = {Generalized Venn and Venn-Abers Calibration with Applications in Conformal Prediction},
author = {Lars van der Laan and Ahmed Alaa},
journal= {arXiv preprint arXiv:2502.05676},
year = {2025}
}