520万条记录验证，任意模型都能加装的无分布碰撞严重度认证层
A distribution-free certification framework for trustworthy crash-severity prediction
📖 AI 总结
该研究针对交通事故严重程度预测模型在实际部署中缺乏有限样本可靠性保证的问题，提出了一种无分布假设的认证框架。由于KABCO严重程度标签具有序数特征、现场记录与医学评估仅约半数一致且存在结构化误差，加之部署环境跨越不同辖区和年份，传统保证方法难以适用。该框架可作为认证层包裹任意现有模型而无需修改，提供序数集合预测、按类有效性、通过报告带向真实严重程度的覆盖迁移、部署偏移下的单侧认证以及严重程度加权风险控制等保证，并配有可归因的松弛预算。研究还从理论上界定了认证可达到的信息量上限，指出在给定误报通道时可计算非平凡下界。基于德克萨斯州520万条记录和七个基础模型的实验表明，该认证层能一致地附加有效性保证，并在弱势道路使用者群体上认证出一个模型无关的集合宽度下界。框架已作为开源软件包发布，并附带定理级测试。
🔑 关键词速览
| KABCO | 一种用于现场评估碰撞伤害严重程度的序数性量表，通常分为死亡、致残、轻伤、可能受伤和无伤等级别。 |
| 无分布保证 | 不依赖于数据具体概率分布假设的统计保证，通常基于有限样本和交换性等弱条件。 |
| 序数结果 | 取值具有自然顺序但间隔不一定相等的分类结果，如伤害严重程度从轻到重。 |
| 覆盖转移 | 将预测集合对观测标签的覆盖保证，通过报告机制转移到未观测的真实严重程度上。 |
| 部署偏移 | 模型部署环境与训练或校准环境之间的分布变化，例如跨司法管辖区或年份的差异。 |
📱 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