Conformal Inference
PulseAugur coverage of Conformal Inference — every cluster mentioning Conformal Inference across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的共形新颖性检测方法增强异常识别
研究人员提出了一种新的统计和机器学习条件新颖性检测方法，专注于识别变量之间关系中的异常。所提出的方法利用了数据增强的局部共形p值，该p值源于改进的条件分布估计器，该估计器同时包含校准数据和测试数据。该方法确保了有限样本的有效性并提高了检测效率，提供了数据驱动的带宽选择以控制错误发现率并提高检测能力，实验结果证明了这一点。
-
新研究通过代理编排和鲁棒性修正改进时间序列预测
三篇新研究论文探讨了时间序列预测的进展。一篇论文介绍了FairAMO，一个用于评估代理模型编排的协议，发现虽然编排提高了准确性，但其收益受限于底层模型并取决于候选的互补性。另一篇论文提出了动态双反馈一致性推断（DDCI），一种使用实际和估计反馈来创建更稳定、更窄的预测区间同时保持覆盖率的方法。第三篇论文提出了CRC，一个鲁棒的残差修正框架，仅在有证据表明能减少预测误差时选择性地部署修正，在复杂数据集上显示出显著的改进。
-
新的保边推理方法解决了机器学习中的标签噪声问题
研究人员开发了一种新的保边推理方法，以应对机器学习数据集中标签噪声的挑战。这种自适应技术即使在数据因噪声标签而偏离理想可交换性时，也能确保准确的不确定性量化并提供信息丰富的预测集。通过在合成数据集和真实世界数据集（包括BigEarthNet和CIFAR-10H）上的实验，证明了该方法的有效性。
-
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…