split conformal prediction
PulseAugur coverage of split conformal prediction — every cluster mentioning split conformal prediction across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新方法利用主动学习绘制跨音速颤振边界
研究人员开发了一种绘制翼型跨音速颤振边界的新方法，特别关注Isogai的A类情况。该方法利用耦合的非定常欧拉模拟和通过主动学习训练的高斯过程代理模型，并结合分裂共形预测进行稳定性判断。该方法能准确标记颤振边界，并提供无分布误差率，由于轻微的平均迎角，颤振速度在下降处有记录的2.8%的增加。
-
在数据偏移下保持保形预测的保证
分层保形预测为模型预测提供了覆盖率保证，但当底层数据分布随时间发生偏移时，这些保证会下降。在数据可能不可预测地变化的实际应用中，从业者在维持这些保证方面面临挑战。常见的策略包括定期重新校准、监控经验覆盖率以检测下降或采用自适应方法。如何处理包含多个可能标签的预测集仍然是一个实际问题，选项范围从人工审查到基于 LLM 的路由。
-
新的共形预测方法处理空间相关数据
研究人员开发了一种新的共形预测方法，旨在处理在环境和地理应用中常见的空间相关数据。该技术称为顺序白化，通过以校准残差为条件来提高预测区间的效率和稳定性。该方法旨在提供更准确可靠的预测区间，尤其是在传统方法难以处理空间相关性的场景中，并在模拟数据和PM2.5浓度预测应用中显示出潜力。
-
新研究解决一致性预测方法中的数据偏移问题
两篇新研究论文探讨了处理数据偏移的高级一致性预测技术。第一篇论文介绍了多源随机局部化一致性预测（MS-RLCP），以利用来自异构数据源的互补信息，即使在测试分布与单个源显著不同的情况下也能建立覆盖界限。第二篇论文提出了一种用于分割一致性预测的标签偏移调整贝叶斯分数（LSA score），该方法通过重新加权源预测器来调整贝叶斯一致性方法，以在标签偏移下保持覆盖率。该LSA分数旨在与现有方法相比，产生更短、更准确的预测区间。
-
新的MUSIC-Net框架通过深度学习和共形预测增强近场多用户定位
研究人员开发了MUSIC-Net，一个用于无线系统中精确近场多用户定位的深度学习框架。该框架集成了两阶段MUltiple SIgnal Classification (MUSIC) 方法，以有效处理具有视距（LoS）和非视距（NLoS）信号的复杂多径环境。通过嵌入MUSIC对象，MUSIC-Net可以直接估计用户位置，无需单独的参数估计或路径关联，并结合了分割共形预测（SCP）为这些估计提供统计保证的置信区域。
-
新研究量化了分布偏移下每类覆盖的成本
研究人员分析了在训练和测试数据之间发生分布偏移时，识别系统中实现有效每类覆盖的成本。他们发现，虽然分裂保形预测（split conformal prediction）能保持边际覆盖，但每类覆盖可能严重失败。该研究提出了恢复每类有效性的方法，指出每类少量目标标签就足够了，但同时实现效率和有效性需要更多的标签，其数量与类别数量和效率损失容忍度成正比。一项使用骨架动作识别的案例研究表明，仅使用源标签进行每类校准就能恢复相当一部分覆盖差距。
-
新研究推进一致性预测以进行不确定性量化 · 跟踪 8 个来源
研究人员开发了新的理论框架和计算方法来增强一致性预测，这是一种用于量化机器学习模型中不确定性的技术。一篇论文提出了一种最优数据划分策略，用于分割一致性预测，以在保持覆盖保证的同时最小化预测区间长度，适用于包括神经网络在内的各种回归设置。另一项研究引入了近似留一估计器来加速一致性预测，通过显著减少运行时间，在覆盖率和效率方面可与精确方法相媲美。此外，还在探索用于分类任务（特别是长尾数据集）的宏观覆盖保证以及处理完全一致性预测中随机性的新方法。
-
新研究质疑一致性预测指标，并提出尾部特定保证
两篇新研究论文探讨了一致性预测领域的进展和批判性评估。第一篇论文介绍了一种为上限和下限尾部构建具有特定保证的预测区间的方法，该方法在金融应用中展示了改进的方向校准和效用。第二篇论文质疑了一致性预测的标准评估指标，强调了一种可以欺骗性地改善区间长度同时保持覆盖率的“偏见技巧”，并提出了一种新的指标——区间稳定性——来检测此类技术。
-
通过激活探针检测AI代理的凭证泄露
研究人员开发了新的方法来检测AI代理何时可能泄露敏感凭证。一种方法使用激活探针在代理输出信息之前识别凭证访问。另一种方法采用蜜罐令牌和分裂保形预测来检测特定格式的泄露数据。此外，一个累积会计系统跨多个对话轮次跟踪泄露预算，以捕获更复杂的攻击。