样本高效的生成式保形预测

arXiv:2610.11349v1 公告类型：新增 摘要：生成式保形预测从条件生成器的样本中构建不确定性集合，但只有当这些样本能够良好地表示响应分布时，这种方法才是高效的。这可能需要大量样本，而每个样本的生成成本都可能很高，例如在大型扩散模型和科学模拟器中，因此必须高效利用采样预算。现有方法在每个输入处抽取相同数量的样本，导致在响应分布简单的地方浪费样本，而在分布复杂的地方采样不足，从而使集合膨胀，并导致这些输入的覆盖率不足。我们提出 CASA（保形自适应样本分配），通过刻画额外样本的边际价值，在满足边际覆盖率和平均采样预算约束的条件下，在各个输入之间分配样本，以最小化期望集合大小。理论分析表明，在相同预算下，自适应分配得到的集合小于固定数量分配得到的集合：遗漏一个模态会迫使半径跨越模态之间的间隔，即使是全知半径也无法弥补这一点。在合成任务和真实任务中，CASA 在相同预算下生成的集合显著更小，通常还能改善条件覆盖率，并且可以与现有的半径自适应方法互补。