研究人员开发了自组织一致性预测（SOCP），这是一种旨在提高机器学习模型可靠性的新校准方案，尤其是在安全关键型应用中。SOCP利用自组织映射（SOM）来发现输入数据空间中的不同组。在测试时，它通过从与查询识别组相关的本地校准缓冲区中提取信息来进行预测校准，从而解决了标准一致性预测可能忽略的区域覆盖差距。在八个基准上的实验表明，SOCP在预测集大小仅略有增加且计算开销可忽略不计的情况下，有效地减少了覆盖差距。 AI
影响 通过解决区域覆盖差距，提高了模型在安全关键型应用中的可靠性。
排序理由 该集群包含一篇详细介绍新机器学习方法的论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2606.29403v1 Announce Type: new Abstract: Conformal prediction guarantees marginal coverage, but pooled calibration averages over heterogeneous regions and can mask regional undercoverage in safety-critical subgroups. We introduce Self-Organized Conformal Prediction (SOCP),…
Conformal prediction guarantees marginal coverage, but pooled calibration averages over heterogeneous regions and can mask regional undercoverage in safety-critical subgroups. We introduce Self-Organized Conformal Prediction (SOCP), a calibration scheme that discovers input-space…