仅靠未标记配对数据，保形校准成功迁移到目标域，覆盖保证依然成立！
Conformal Calibration Transfer
📖 AI 总结
本文研究共形校准迁移问题：当标注校准数据仅存在于源空间，而预测集需在通过无标注配对观测与源空间关联的目标空间中使用时，传统共形预测所依赖的可交换性假设不再成立。作者提出"传输共形校准"（TCC）方法，先利用配对数据将源空间的标注校准迁移至目标空间，再仅凭无标注目标输入校正迁移后的残余失配。具体给出两种互补实现：TCC-KS借助无标签不确定性代理检测失配并保守调整校准，加权TCC则在权重稳定时对迁移校准重新加权以提升效率。理论方面，作者给出了适应可观测失配程度的有限样本目标域覆盖保证。在CIFAR-100-C、Tiny-ImageNet-C和SEN12MS上的实验表明，无需标注目标校准数据即可实现可靠的目标域覆盖迁移，且无标签诊断指标能预测何时需要校正。该工作为跨域共形预测提供了可行路径，具有实际部署价值。
🔑 关键词速览
| 保形预测 | 一种将点预测转化为具有统计覆盖保证的预测集合的方法。 |
| 保形校准迁移 | 研究在源空间有标签校准而目标空间需要预测集时，如何迁移校准并保证覆盖的问题。 |
| 传输保形校准 (TCC) | 本文提出的方法，利用配对数据将源校准传输到目标空间，并用未标记目标输入校正残余不匹配。 |
| TCC-KS | TCC的一种实现，使用无标签不确定性代理检测不匹配并保守调整校准。 |
| 加权TCC | TCC的另一种实现，通过重新加权传输的校准朝向目标域，在权重稳定时提高效率。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅