研究人员推出了一种新颖的方法——经审计的保形预测（ACP），旨在提高分类模型在面对未知分布偏移时的不确定性量化能力。ACP 利用一个小型目标数据集来训练一个辅助模型，该模型可以识别预训练模型潜在的故障。通过将此审计模型集成到保形预测框架中，ACP 旨在提供具有保证的边际覆盖率和增强的条件覆盖率的预测集。 AI
影响 通过改进分布偏移下的不确定性量化，增强了已部署分类模型的可靠性。
排序理由 该集群包含一篇详细介绍机器学习不确定性量化新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.14909v1 Announce Type: cross Abstract: We consider the problem of uncertainty quantification for a pretrained classification model deployed under unknown distribution shift. We propose Audited Conformal Prediction (ACP), a method that leverages a small labeled dataset …
We consider the problem of uncertainty quantification for a pretrained classification model deployed under unknown distribution shift. We propose Audited Conformal Prediction (ACP), a method that leverages a small labeled dataset from the target population to train an auxiliary a…