知晓你所知：多类与多标签预测中有效且经验证的置信集

我们发展了保形预测方法，用于在多类与多标签问题中构造有效的预测置信集，且不对数据生成分布作假设。此处的一个挑战是，典型的保形预测方法——其给出边际有效性（覆盖）保证——提供不均衡的覆盖，因为它们以牺牲基本忽略困难样本为代价来处理简单样本。通过借助分位数回归的思想，我们构建了始终保证正确覆盖、且额外为多类与多标签预测问题提供（渐近最优）条件覆盖的方法。为应对多标签预测中置信集可能呈指数级庞大的挑战，我们构建了树结构分类器以有效考虑标签间交互。我们的方法可加装在任意分类模型——神经网络、随机森林、提升树——之上以保证其有效性。我们还提供了实证评估，同时给出新的验证方法，表明了我们置信集更具鲁棒性的覆盖。