研究人员探索了在线一致性预测的权衡,这是一种在 i.i.d. 假设下提供具有保证覆盖概率的预测区间的方法。虽然标准的一致性预测在独立同分布数据上效果良好,但具有分布漂移或变化点的对抗性场景可能会违反这些假设。在线一致性预测方法在这些对抗性场景中提供长期覆盖保证,但这可能导致不稳定的瞬时覆盖。这项工作研究了平衡这些竞争目标的算法,旨在在 i.i.d. 设置中实现最小累积误差,同时在对抗性条件下保持长期保证。研究揭示了长期覆盖条件的相变,表明某些约束可以在不牺牲 i.i.d. 性能的情况下实现,而其他约束则需要付出代价。 AI
影响 这项研究可能导致在数据分布随时间变化的现实场景中,预测区间更加鲁棒。
排序理由 该条目是一篇讨论机器学习方法理论方面的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
- Conformal prediction
- Hugging Face
- Online Conformal Prediction
- split conformal prediction
- The cost of enforcing long-run coverage: a phase transition in online conformal prediction
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →