用于图像回归模型的自适应保形预测及其在惯性约束聚变仿真器中的应用
Adaptive Conformal Prediction for Image Regression Models with Application to an Inertial Confinement Fusion Emulator
精选理由
为图像回归提供输入自适应、可靠且低成本的不确定性量化，助力高风险科学决策。
AI 摘要
arXiv:2610.00535v1 公告类型：cross 摘要：不确定性量化在科学机器学习中至关重要，因为基于黑盒图像的模型正日益应用于高风险场景。在许多此类应用中，模型输出会影响高成本决策，但大多数方法只能提供点估计，无法量化预测不确定性。模型内部信息难以获取和解释，使得评估模型在输入空间不同区域的可靠性变得更加困难，进一步加剧了这一挑战。因此，人们越来越需要能够提供依赖于输入的不确定性估计方法，以指导模型开发和后续实验。为满足这一需求，我们提出了使用最近邻的自适应保形预测（ACPNN），这是一种面向图像回归的输入自适应保形框架。ACPNN利用邻近样本的信息生成局部自适应的不确定性估计，同时保持较低的计算成本。该邻域结构使用通过带有自动相关性确定（ARD）核的高斯过程学习得到的缩放距离度量来定义。我们在一个用于模拟惯性约束聚变（ICF）仿真的扩散模型上验证了 ACPNN 的有效性，结果表明，该方法能够实现可靠且自适应的不确定性量化。