MD-split+：高维实用局部保形推断
机器学习
2021-07-08 v1 机器学习
摘要
量化模型预测中的不确定性是寻求不止于点预测的从业者的共同目标。保形推断是一种所需假设极少的用于不确定性量化的工具，可帮助为黑盒模型创建概率有效的预测区域。经典保形预测仅提供边际有效性，而在许多情况下局部有效的预测区域是可取的。在应用局部化保形预测时如何最佳划分特征空间 X 仍是一个开放问题。我们提出 MD-split+，一种实用的局部保形方法，基于条件密度估计模型的局部化模型性能创建 X 划分。我们的方法处理此类模型可能误设的复杂真实数据设置，并可扩展到高维输入。我们讨论了我们的局部划分如何在哲学上与不可达的条件保形推断方法的期望行为一致。我们还通过经验将我们的方法与其他局部保形方法进行比较。
引用
@article{arxiv.2107.03280,
title = {MD-split+: Practical Local Conformal Inference in High Dimensions},
author = {Benjamin LeRoy and David Zhao},
journal= {arXiv preprint arXiv:2107.03280},
year = {2021}
}
备注
Appearing in ICML 2021 workshop on distribution-free uncertainty quantification