切片分位数森林的多变量不确定性量化

预测不确定性的量化对于安全可信的真实世界AI部署至关重要。然而，对于多变量目标，完全非参数化的条件分布估计仍然具有挑战性。我们提出了切片分位数森林（Tomographic Quantile Forests, TQF），一种面向多变量目标的非参数化、不确定性感知的基于树的回归模型。TQF学习方向投影 $\mathbf{n}^{\top}\mathbf{y}$ 的条件分位数，将其作为输入 $\mathbf{x}$ 和单位方向 $\mathbf{n}$ 的函数。在推理阶段，它在多个方向上聚合分位数，并通过一个高效的交替方案最小化切片Wasserstein距离来重构多变量条件分布，该方案的子问题均为凸问题。与经典的方向分位数方法通常只能产生凸分位数区域且需要为不同方向训练独立模型不同，TQF通过单个模型覆盖所有方向且不施加凸性限制。我们在合成和真实数据集上评估了TQF，并在GitHub上发布了源代码。