🔥 今日值得一读
ReCIRC让保形风险控制精准到每个输入，最差组风险降至最低！
ReCIRC: Rectified Conformal Risk Control
👨💼 主理人解读 · 为什么值得关注
解决共形风险控制对难易样本一刀切的问题，开发者可获更精细的分割、多标签误检控制。
📖 AI 总结
本文提出ReCIRC（Rectified Conformal Risk Control），针对共形风险控制（CRC）在控制任务相关错误率时仅校准单一全局阈值、导致简单样本过度保护而困难样本保护不足的问题。该方法通过反演每个输入的局部风险估计曲线，将校准阈值重新参数化为代表共同目标条件风险的风险预算，再对所得阈值族应用CRC。ReCIRC在估计曲线不准确时仍保留CRC的有限样本边际保证，曲线准确时可实现近似条件风险控制，并在附加条件下达到渐近精确的条件风险控制，同时提供风险校准诊断工具。在三个合成数据集和五个真实数据集上，涵盖分割、多标签与多分类及回归任务，ReCIRC在所有设置中均取得最低的平均最差组风险和平均正组超额，且边际风险接近目标值。
🔑 关键词速览
| Conformal Risk Control (CRC) | 一种无分布假设的框架，用于为黑盒预测模型提供任务相关损失的风险控制保证。 |
| ReCIRC | 本文提出的方法，通过反转局部风险曲线重新参数化阈值，以实现条件风险控制。 |
| Marginal Guarantee | 在整个输入分布上平均成立的风险控制保证，不针对特定输入条件。 |
| Conditional Risk | 在给定输入条件下，模型预测的风险或错误率。 |
| Risk Budget | 在 ReCIRC 中表示共同目标条件风险的参数 $a$，用于重新参数化校准阈值。 |
📱 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