基于直接优化归纳共形回归的深度学习可靠预测区间
机器学习
2023-02-03 v1
摘要
通过生成预测区间（PIs）来量化深度学习回归中每次预测的不确定性，可有效控制错误预测的风险。高质量的PIs需尽可能窄，同时覆盖预设比例的真实标签。目前许多改善PI质量的方法能有效减小PI宽度，但无法确保捕获足够多的真实标签。归纳共形预测器（ICP）是一种能生成有效PIs的算法，在理论上保证覆盖预设比例的数据。然而，典型ICP并未直接优化以产生最小PI宽度。本研究中，我们采用直接优化归纳共形回归（DOICR），其仅以PIs的平均宽度为损失函数，并在PIs内捕获充足真实标签的有效性条件下，通过优化方案提升PI质量。基准实验表明，在使用底层深度神经网络结构处理表格与图像数据的回归问题上，DOICR优于当前最先进算法。
引用
@article{arxiv.2302.00872,
title = {Reliable Prediction Intervals with Directly Optimized Inductive Conformal Regression for Deep Learning},
author = {Haocheng Lei and Anthony Bellotti},
journal= {arXiv preprint arXiv:2302.00872},
year = {2023}
}