PulseAugur
中
实时 10:25:58
English(EN) Conformal Candidate Certification for Offline Model-Based Optimization

新的认证方法提升离线优化保证

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员推出了一致性候选认证（CCC）方法，为通过离线模型优化（MBO）生成的候选提供统计保证。CCC 作为一种事后包装器，为每个候选附加一个校准的下界，并仅推进那些满足目标阈值的候选。该方法利用熵正则化代理最大化来推导重要性权重，从而实现加权一致性预测，而无需单独的密度比估计步骤。在合成研究中，CCC 在处理协变量偏移时，与标准一致性预测方法相比，覆盖率显著提高。 AI

影响 增强了离线优化中的统计严谨性，可能提高了 AI 驱动的设计和决策过程的可靠性。

排序理由 该集群包含一篇发表在 arXiv 上的研究论文，详细介绍了一种新的离线模型优化方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Seungjin Choi ·

    Conformal Candidate Certification for Offline Model-Based Optimization

    arXiv:2606.15217v1 Announce Type: cross Abstract: Offline model-based optimization (MBO) proposes candidates by optimizing a surrogate trained on a fixed historical dataset. Because candidates are deliberately out-of-distribution, surrogate rankings are least reliable exactly whe…

  2. arXiv stat.ML TIER_1 English(EN) · Seungjin Choi ·

    Conformal Candidate Certification for Offline Model-Based Optimization

    Offline model-based optimization (MBO) proposes candidates by optimizing a surrogate trained on a fixed historical dataset. Because candidates are deliberately out-of-distribution, surrogate rankings are least reliable exactly where the optimizer is most aggressive, yet existing …

相关话题