多源异构数据预测新突破！MS-RLCP实现有限样本覆盖与自适应源选择
Multi-source conformal prediction: leveraging heterogeneity via localization
📖 AI 总结
本文提出多源随机局部化保形预测（MS-RLCP）方法，针对数据来自多个异质来源、且测试分布可能显著偏离任一单一来源的预测场景。该方法基于随机局部化保形预测的局部覆盖性质，通过数据自适应的源选择机制将其扩展至多源情形。在源间及测试总体条件响应分布共享的假设下，作者借助可解释的包络分布概念刻画各源的聚合特征空间表示，建立了有限样本覆盖界，并允许测试特征分布关于包络绝对连续，从而超越源分布的混合形式；在额外正则条件下还给出了渐近的测试条件覆盖保证。模拟与真实数据实验表明，该方法在不同异质程度下均有效。其意义在于将异质性从障碍转化为可利用的互补信息，为多源预测提供了具有理论保证的不确定性量化工具。
🔑 关键词速览
| 共形预测 (Conformal Prediction) | 一种无分布假设的不确定性量化框架，能为预测生成具有有限样本覆盖保证的预测区间或集合。 |
| 多源异构数据 (Multi-source Heterogeneous Data) | 来自多个不同来源的数据，其分布或特征表示可能存在差异，但可能包含互补信息。 |
| 随机局部化共形预测 (RLCP) | 一种通过随机局部化权重来调整共形预测的方法，旨在改善局部区域的覆盖性能。 |
| 包络分布 (Envelope Distribution) | 一种可解释的分布概念，用于捕捉多个来源在特征空间上的聚合表示，以建立覆盖界。 |
| 测试条件覆盖 (Test-conditional Coverage) | 在给定测试特征的情况下，预测区间覆盖真实响应的条件概率，是比边际覆盖更强的保证。 |
📱 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