Adaptive Conformal Inference
PulseAugur coverage of Adaptive Conformal Inference — every cluster mentioning Adaptive Conformal Inference across labs, papers, and developer communities, ranked by signal.
-
新研究应对在线共形预测和选择挑战 · 跟踪3个来源
三篇新研究论文探讨了在线共形预测和选择的进展，解决了现有方法的局限性。第一篇论文介绍了一个统一的在线共形预测框架，即使在对抗性设置下也能同时控制覆盖率违规和预测集效率。第二篇论文侧重于有限反馈下的高效在线共形选择，在类似赌博机的反馈下证明了对抗有效性和随机效率。第三篇论文提出了鲁棒共形选择（RCS），一种旨在即使在校准数据被噪声响应污染时也能保持有效的错误发现率控制的方法，并在包括大型语言模型在内的各种应用中展示了其有效性。
-
新的贝叶斯在线学习框架聚合专家以实现自适应预测
研究人员开发了一个新的贝叶斯在线学习框架，通过将更新规则视为专家来解决固定推断选择的挑战。这种聚合方法在事后与最佳专家竞争，成本由性能评估决定。该框架已应用于在线一致性推断，产生了一个具有随机覆盖的贝叶斯对应物，并应用于高斯过程回归，显示出对未知Hölder平滑度的适应性。
-
新研究通过自适应策略推进在线一致性推理
两篇新研究论文探讨了在线一致性推理的进展，这是一种用于创建具有保证覆盖率的预测集的_方法_。第一篇论文《通过Blackwell可及性视角进行的自适应一致性推理》将问题重新表述为一场博弈，并引入了一种策略，该策略可确保有效性，同时根据底层数据随机性调整效率。第二篇论文《具有回顾性调整的在线一致性推理，可更快地适应分布变化》提出了一种新颖的方法，该方法使用回归和留一法更新来追溯性地调整过去的预测，以更好地适应不断变化的数据分布，预测区间宽…
-
新框架评估LLM输出的可认证性，识别理论极限
研究人员开发了一个框架，用于评估大型语言模型（LLM）在命名实体识别和问答等结构化生成任务中的输出可认证性。他们得出了一个不可能性的结果，指出了在何种情况下，一致性风险控制（CRC）无法满足用户指定的风险目标。该研究还分析了一系列界限，包括Hoeffding、经验Bernstein和e-CRC，证明了认证率的显著提高，尤其是在Hoeffding到Bernstein之间。在数据集迁移下，自适应一致性推理（ACI）被验证可以减少风险目标违…
-
新AI方法增强图像、时间序列修复及模型分析
研究人员开发了改进生成模型的新方法。其中一种方法“Free Decompression”利用代数谱曲线理论，能够跨矩阵尺寸外推谱信息，使其适用于神经网络和扩散模型等更真实的机器学习模型。另一项开发SPLICE，将潜在生成插补与时间序列数据的保形预测区间相结合，为电力系统等应用提供更高的准确性和可靠性。此外，新的图像修复技术也在涌现，包括使用分层变分推理和预训练扩散模型的VIPaint，以及优化初始噪声以实现可控3D修复的InpaintSLat。