保形预测的标签噪声鲁棒性
机器学习
2024-11-27 v3 人工智能
统计理论
统计方法学
机器学习
统计理论
摘要
我们研究用于不确定性量化的有力工具——保形预测(conformal prediction)对标签噪声的鲁棒性。我们的分析涵盖回归与分类问题,刻画了何时及如何构造能正确覆盖未观测无噪声真实标签的不确定性集合。我们进一步扩展理论,给出在含噪声标签下正确控制如假阴性比例等一般损失函数的要求。我们的理论与实验表明,当噪声具有分散性并增加变异性时,使用含噪标签的保形预测与风险管控技术会对干净真实标签产生保守风险。在其他对抗情形下,我们也可在保形预测算法中校正有界大小的噪声,从而确保在不依赖分数或数据正则性的情况下实现真实标签的正确风险。
引用
@article{arxiv.2209.14295,
title = {Label Noise Robustness of Conformal Prediction},
author = {Bat-Sheva Einbinder and Shai Feldman and Stephen Bates and Anastasios N. Angelopoulos and Asaf Gendler and Yaniv Romano},
journal= {arXiv preprint arXiv:2209.14295},
year = {2024}
}