论在共形预测中实现公平性的代价
机器学习
2026-05-18 v2 机器学习
摘要
共形预测通常使用单一汇总阈值进行校准，但这可能掩盖分数分布的跨组异质性，并扭曲各组别的覆盖率。我们通过分裂共形校准背后的总体分数分布来研究这一现象。首先，我们推导出一个守恒定律和下界，表明汇总校准会产生不可消除的各组别覆盖率扭曲，其尺度由跨组分位数异质性决定。其次，我们证明共形预测的两种主要公平性定义——均等覆盖率和均等集合大小——存在根本性的矛盾。第三，我们量化了在分别处理各组别或将其汇总的策略之间进行转换的代价。在合成数据与真实数据上的实验证实，在有限样本校准后存在相同的双向权衡。我们的结果表明，对于本文研究的策略族，校准选择并不能消除跨组异质性；它决定了由此产生的扭曲是出现在覆盖率维度还是大小维度，为在实践中分析面向公平性的校准选择提供了有原则的视角。
引用
@article{arxiv.2605.14260,
title = {On the Burden of Achieving Fairness in Conformal Prediction},
author = {Ziang Gao and Pengqi Liu and Archer Yi Yang and Mouloud Belbahri and Jesse C. Cresswell and Masoud Asgharian},
journal= {arXiv preprint arXiv:2605.14260},
year = {2026}
}