多条件 conformal 选择
人工智能
2025-10-14 v2
摘要
从大规模数据集中筛选高质量候选样本在资源受限的应用中至关重要，如药物发现、精准医疗以及大语言模型对齐。虽然 conformal 选择方法提供了可控的假发现率 (FDR) 的严格解决方案，但其适用性仅限于单阈值场景（即 y > c），忽略了多条件选择（如 conjunctive 或 disjunctive 条件）的实际需求。本文提出了多条件 conformal 选择 (Multi-Condition Conformal Selection, MCCS) 算法，将 conformal 选择扩展至多条件场景。具体而言，我们引入了用于 conjunctive 条件的区域单调性非符合性得分，以及用于 disjunctive 条件的全局 Benjamini-Hochberg (BH) 程序，从而在理论上建立了有限样本下的 FDR 控制。这些组件的集成使提出的方法能够在各种多条件环境中实现严格的 FDR 控制。大量实验表明，MCCS 在基线方法之上具有优势，能够在不同条件组合、多种真实模态以及多任务规模性方面普遍适用。
关键词
引用
@article{arxiv.2510.08075,
title = {Multi-Condition Conformal Selection},
author = {Qingyang Hao and Wenbo Liao and Bingyi Jing and Hongxin Wei},
journal= {arXiv preprint arXiv:2510.08075},
year = {2025}
}