基于最优传输的非交换式 conformal 预测：利用无标签数据应对分布迁移
机器学习
2025-10-27 v2 机器学习
摘要
conformal 预测是一种分布自由的不确定性量化方法，因其有限样本保证和易用性在机器学习领域获得了广泛关注。其最常见的变体——split conformal 预测，因其仅需收集模型在部分校准数据（尚未被模型看到的）上的预测统计信息而计算效率较高。然而，这些保证仅在校准数据与测试数据可交换时才成立，而这在实际应用中常因分布迁移而被违反。现有方法虽尝试缓解此类非交换情形下的覆盖率下降，但均需要对测试时可能出现的分布迁移类型具有先验信息。本工作从最优传输的视角出发，探讨此问题，表明可以通过估计覆盖率损失并抑制任意分布迁移，从而提供一种原则且广泛适用的方法。
关键词
引用
@article{arxiv.2507.10425,
title = {Non-exchangeable Conformal Prediction with Optimal Transport: Tackling Distribution Shifts with Unlabeled Data},
author = {Alvaro H. C. Correia and Christos Louizos},
journal= {arXiv preprint arXiv:2507.10425},
year = {2025}
}