关于训练局部自适应保形预测

我们解决使保形预测（CP）区间局部自适应的问题。大多数现有方法通过划分或重新加权校准集来近似区间的对象条件有效性。我们的策略是新颖的且在概念上不同。我们不是重新加权校准数据，而是通过可训练的变量变换$A \to \phi_X(A)$重新定义一致性度量，该变换显式依赖于对象属性$X$。在特定条件下且若对任意$X$有$\phi_X$关于$A$单调，这些变换产生的预测区间保证边际有效且具有依赖于$X$的尺寸。我们描述了如何参数化并训练$\phi_X$以最大化区间效率。与其他感知CP的训练方法相反，目标函数是平滑的，并且可以通过标准梯度方法在无近似的情况下最小化。