马氏距离让预测集体积大幅缩小，多元共形预测迎来最小体积新方法！
Minimum Volume Optimal Transport for Multivariate Conformal Prediction
📖 AI 总结
本文提出一种面向多元共形预测的最小体积最优传输框架。现有基于最优传输的共形预测方法通常采用固定的欧氏传输代价，导致预测集体积不够理想。作者转而学习一个马氏距离型基代价，在正定度量类上直接最小化预测区域体积，并借助度量型Brenier表示推导出显式依赖马氏代价矩阵的体积目标函数，与传输映射联合优化。理论方面，作者证明了输出预测集的有限样本边际覆盖性以及体积度量的最优性，并进一步提出个体化扩展，学习依赖协变量的传输度量，使预测集的形状与方向适应异质条件分布，同时给出该扩展的渐近条件覆盖保证。模拟与真实数据实验表明，该方法能显著降低预测集体积。
🔑 关键词速览
| 最优传输 (Optimal Transport, OT) | 一种数学理论，用于在概率分布之间寻找最优的传输方案，以最小化传输成本。 |
| 共形预测 (Conformal Prediction, CP) | 一种无分布假设的预测框架，能够为预测结果提供具有统计保证的置信区域。 |
| 马氏距离 (Mahalanobis distance) | 一种考虑数据协方差结构的距离度量，能够更好地反映变量间的相关性。 |
| Brenier 表示 (Brenier representation) | 最优传输理论中的一个经典结果，表明在二次成本下最优传输映射是某个凸函数的梯度。 |
| 边际覆盖 (Marginal coverage) | 预测集包含真实标签的概率，在总体上的平均保证。 |
📱 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