面向结构的图弃答：实现可靠的选择性预测

arXiv:2610.08322v1 公告类型：新发布 摘要：选择性预测在给定保留覆盖率预算下，对高风险测试窗口进行弃答。现有的门控方法（如 TEM（Brusokas 等，2025））将每个预测作为整体进行评分；对于多变量输出，轨迹可能看似合理，却违反变量之间的依赖关系。我们将实例级合理性与关系一致性视为两个不同的可靠性维度，并通过学习得到的稀疏图和 Dirichlet 风格的结构能量 E_struct 对后者进行具体刻画；该结构能量通过误差加权图正则化和分数—误差对齐进行训练。在七个长时域基准和四个主干模型上，在覆盖率相同的情况下，结构门控通常能够将选择性 MSE 降低至 TEM 以下；在我们的基准中，跨变量结构似乎更具信息量的场景下，收益最大。收益并非普遍存在，表明这是一种互补的弃答信号。表 1 是 Protocol A 的排序诊断结果（种子为 2024）；在对齐子集上采用三个随机种子的可部署 Protocol B 结果见表 3（完整的验证集到测试集网格见附录 A）。