基于回溯调整的在线保 conformal 推断以实现更快的分布迁移适应
机器学习
2025-11-07 v1 机器学习
摘要
保 conformal 预测已成为构建分布自由预测集的强大框架，仅基于交换性假设即可保证覆盖。然而，这一假设在在线环境中常常被破坏，因为数据分布随时间演化。近期方法虽已提出，但通常只能慢慢适应分布迁移，因为它们仅以前瞻方式更新预测，即在新观测数据到来时仅生成预测，而不更新先前计算的预测。本文提出一种新颖的在线保 conformal 推断方法，采用回溯调整以实现更快的分布迁移适应。该方法利用具有高效留一更新公式的回归方法，对当新数据到达时对过去的预测进行回溯调整，从而将整个预测集合与最新数据分布对齐。在对合成数据和真实数据集进行的广泛数值研究中，我们展示所提出的方法在加快覆盖重新校准方面以及提高统计效率方面优于现有的在线保 conformal 预测方法。
关键词
引用
@article{arxiv.2511.04275,
title = {Online Conformal Inference with Retrospective Adjustment for Faster Adaptation to Distribution Shift},
author = {Jungbin Jun and Ilsang Ohn},
journal= {arXiv preprint arXiv:2511.04275},
year = {2025}
}