具有共形认证的自适应计算

arXiv:2610.19189v1 公告类型：新论文 摘要：涉及医学传感器（例如三维放射影像、显微图像）和天文传感器的科学成像数据，带来了不同于自然图像的挑战。其中一个关键挑战是，这些数据集的规模往往比自然图像大数个数量级。由于硬件需求更高，在此类数据上进行高效训练和推理十分困难，通常需要专门定制的解决方案。此外，肿瘤和天文现象等相关对象相对于背景信息呈稀疏分布。量化和剪枝等标准效率优化技术对所有区域进行统一缩放，可能损害预测的精度或保真度。因此，亟需能够降低计算需求、同时不损失数据中相关部分的分辨率，并为预测提供不确定性估计的高效方法。我们提出了具有风险保证的 \textit{Conformal Adaptation}，用于不确定性感知的稀疏计算。我们的形式化框架具有通用性，涵盖密集的像素级分类和回归任务：层次化模型先以低分辨率进行预测，再通过共形风险控制对信号进行认证，最后细化经过认证的预测。我们在三维医学图像分割、二维星系通量预测和一维钙尖峰速率预测等多项任务上对该方法进行了基准评估，在各项任务中实现了 $2.5$--$72\times$ 的实际运行时间加速，包括在普通商用 CPU 上。