多流程保形预测比较难？CC-SMCS同时锁定最优流程，有限样本保证无需平稳假设！
Sequential Confidence Sets for Coverage-Constrained Conformal Model Selection
📖 AI 总结
本文针对现代共形预测系统中多个自适应流程难以比较的问题展开研究。由于覆盖率是硬性约束，而效率只能在可行流程中优化，作者将该问题建模为随机约束argmin的序贯推断，并提出覆盖率约束序贯模型置信集（CC-SMCS）。该方法利用同步鞅置信序列，将矩形置信区域投影到约束argmin上，给出精确闭式判定规则，把流程划分为可认证可行、可能可行和可能约束最优三类。其核心结论是：以至少1-δ的概率，该置信集在所有时刻同时包含每一个约束最优流程，且这一有限样本保证不依赖平稳性或混合假设，在数据依赖停止下依然成立。作者还给出了覆盖率边界处安全认证的不可能性结果，并将构造扩展到延迟多步反馈和结果依赖的效率目标。该工作为共形模型选择提供了具有严格理论保证的序贯比较框架。
🔑 关键词速览
| Conformal Prediction | 保形预测，一种无分布假设的预测区间构造方法，通过校准集提供有限样本覆盖率保证。 |
| Coverage-Constrained Sequential Model Confidence Sets (CC-SMCS) | 覆盖率约束序贯模型置信集，本文提出的方法，用于在序贯决策中识别满足覆盖率约束的最优模型集合。 |
| Martingale Confidence Sequences | 鞅置信序列，一种用于序贯分析的统计工具，可在任意停止时间提供有效的置信区间。 |
| Constrained argmin | 约束argmin，在满足约束条件的集合中寻找使目标函数最小化的元素。 |
| Miscoverage | 误覆盖率，预测区间未能覆盖真实值的概率，是保形预测中的关键指标。 |
📱 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