修剪何时有助于共形预测?校准污染下的保留律诊断
机器学习
2026-05-08 v1 机器学习
摘要
修剪可疑的校准点是共形预测中应对污染的常见做法。然而,其对干净目标覆盖率的影响是由修剪所引发的保留律决定的,而不仅仅取决于污染水平。我们将固定阈值修剪分析为一种条件化操作而非纯化操作。它用保留律替换了受污染的校准律,将干净目标覆盖率简化为一个一维的得分累积分布函数(CDF)转移问题,并具有精确的有限样本恒等式。对转移差距的逐分量界给出了一个总体级别的诊断。这将干净侧协方差代价与保留污染代价分离开来,两者由脏到干净的保留比率所支配。当异常得分能够分离保留概率,同时在干净总体上保持得分中性时,修剪是有益的。否则,它无法通过保留混合系数大幅减少污染。我们还提供了有限样本证书模板,可在独立审计下提供数值保证。
引用
@article{arxiv.2605.06204,
title = {When Does Trimming Help Conformal Prediction? A Retained-Law Diagnostic under Calibration Contamination},
author = {Congye Wang},
journal= {arXiv preprint arXiv:2605.06204},
year = {2026}
}