单次联邦共形预测中的边缘与训练条件保证
统计理论
2024-05-22 v1 机器学习
统计理论
摘要
我们研究单次联邦学习环境下的共形预测。主要目标是在智能体与服务器之间仅一轮通信中，在服务器层面计算边缘有效和训练条件有效的预测集。利用分位数之分位数族估计器和分裂共形预测，我们引入了一组满足上述要求的计算高效且无分布的算法。我们的方法源于与顺序统计量相关的理论结果以及对 Beta-Beta 分布的分析。我们还证明了当非一致性分数几乎必然互异时，所有提出算法的覆盖概率上界。对于具有训练条件保证的算法，这些界限与集中式情况下的界限具有相同的数量级。值得注意的是，这意味着单次联邦学习环境与集中式情况相比没有显著损失。我们的实验证实，我们的算法返回的预测集在覆盖率和长度上与集中式环境中获得的结果相似。
引用
@article{arxiv.2405.12567,
title = {Marginal and training-conditional guarantees in one-shot federated conformal prediction},
author = {Pierre Humbert and Batiste Le Bars and Aurélien Bellet and Sylvain Arlot},
journal= {arXiv preprint arXiv:2405.12567},
year = {2024}
}