面向分布到分布回归的共形预测

arXiv:2611.06320v1 公告类型：新论文 摘要：共形预测（CP）提供了一种与模型无关的框架，用于构建具有覆盖率保证的有限样本预测集，并已成为高风险场景中可靠决策的工具。近期研究进展已将分割共形预测扩展到日益复杂的学习问题，包括多标签、高维和函数型输出。在本研究中，我们探讨分布到分布回归中的 CP，这一问题设定在众多应用领域正受到越来越多的关注。我们表明，直接应用分割 CP 所得到的预测集虽然具有边际有效性，却缺乏可解释性，例如没有明确定义的体积或计算上可行的采样程序，因此实际价值有限。为克服这一问题，我们提出了一种在正交基空间中运作的新型共形框架，在保留覆盖率保证的同时生成可解释的预测集。我们进一步开发了一种自适应变体，在温和假设下具有渐近条件覆盖率保证。在合成数据集和真实世界数据集上的实验结果验证了所提方法的有效性。代码已公开发布于 https://github.com/tuanhacs/conformal_d2d。