并非所有分布偏移都等同：细粒度鲁棒共形推断
统计方法学
2025-05-20 v3
摘要
我们引入了一个用于在分布偏移下对预测模型进行不确定性量化的细粒度框架。该框架区分了协变量分布的偏移与结果 () 和协变量 () 之间条件关系的偏移。我们提出对训练样本进行重加权，以调整可识别的协变量偏移，同时防范受限于 -散度球内的最坏情况条件分布偏移。基于共形推断和分布鲁棒学习的思想，我们提出了一种算法，该算法在存在分布偏移的情况下输出（近似）有效且高效的预测区间。作为一个应用案例，我们将该框架应用于存在隐藏混杂因素下的个体处理效应敏感性分析。所提出的方法在模拟研究和四个真实数据应用中进行了评估，显示出相较于现有基准更优越的鲁棒性和效率。
引用
@article{arxiv.2402.13042,
title = {Not all distributional shifts are equal: Fine-grained robust conformal inference},
author = {Jiahao Ai and Zhimei Ren},
journal= {arXiv preprint arXiv:2402.13042},
year = {2025}
}