基于一致性版本空间的选择性预测
机器学习
2026-05-05 v1
摘要
我们考虑固定池（或 transductive）环境中的选择性分类与放弃，其中已给定未标记池中且只能查询其标签的子集。我们的主要洞察是将选择性预测视为一致性：给定查询标签和嵌入空间中的 Lipschitz 边缘约束，Lipschitz 一致分类头的版本空间是明确定义的。我们获得了上、下 Lipschitz 边缘界限，为每个池点定义一组认证有效标签，包含版本空间中每个头的预测。因此，模型仅在标签被强制（即所有一致头同意）时进行预测，否则放弃。我们还提出了一个单调亚调和几何代理用于预算化查询，并证明贪婪算法保留标准逼近因子。
引用
@article{arxiv.2605.02611,
title = {Selective Prediction from Agreement: A Lipschitz-Consistent Version Space Approach},
author = {Mohamadsadegh Khosravani},
journal= {arXiv preprint arXiv:2605.02611},
year = {2026}
}