ST-BCP：通过非一致性得分转换紧致后向保 conformal 预测的覆盖界限
机器学习
2026-05-19 v2 机器学习
摘要
保 conformal 预测（Conformal Prediction, CP）提供了一种用于不确定性量化的统计框架，通过构建具有覆盖保证的预测集来实现。虽然 CP 可生成控制不受约束的预测集大小，但后向 conformal 预测（Backward Conformal Prediction, BCP）则通过强制预测集大小预先设定的上限来估计所需的覆盖保证。然而，BCP 框架内马尔可夫不等式引入的松弛导致估计覆盖界限与经验覆盖之间存在显著的差距。本文提出了ST-BCP，一种新方法，通过对非一致性得分进行数据依赖的转换以缩小覆盖差距。具体地，我们开发了可计算的转换函数，并证明其优于基线恒等转换。大量实验表明，我们的方法有效，使平均覆盖差距从4.20%降至1.12%。
引用
@article{arxiv.2602.01733,
title = {ST-BCP: Tightening Coverage Bound for Backward Conformal Prediction via Non-Conformity Score Transformation},
author = {Junxian Liu and Hao Zeng and Hongxin Wei},
journal= {arXiv preprint arXiv:2602.01733},
year = {2026}
}