通过分布鲁棒优化学习可信集合

可信预测器是一种意识到情境不确定性并产生概率性预测凸集的模型。它们提供了一种原则性的方法来量化预测的情境不确定性 (EU)，并在 various 设置下显示出改进模型鲁棒性的作用。然而，大多数最先进的方法主要将 EU 定义为由随机训练初始化造成的 disagreement，主要反映了对优化随机性的敏感性，而非来自更深层来源的不确定性。为此，我们将 EU 定义为在训练和测试数据之间 i.i.d. 假设的不同松弛版本下训练的模型之间的 disagreement。基于这一思想，我们提出了 CreDRO，通过分布鲁棒优化学习一个 plausible model 的集合。结果，CreDRO 捕捉到的不确定性不仅来自训练随机性，也来自由于训练和测试数据之间可能的分布迁移导致的有意义的 disagreement。实证结果表明，CreDRO 在诸如跨多个基准的 out-of-distribution 检测和医疗应用中的选择性分类任务上 consistently 优于现有可信方法。