🔥 今日值得一读
新方法直接在Grassmann流形上构建预测区域，局部自适应让预测区域显著缩小还不丢覆盖保证！
Adaptive conformal prediction on the Grassmannian
👨💼 主理人解读 · 为什么值得关注
预测对象是子空间/流形数据时，可用该方法给出带覆盖保证的自适应预测区域。
📖 AI 总结
该论文提出一种面向Grassmann流形值响应的回归共形预测框架。方法直接在Grassmann流形上以度量球形式构造预测区域，采用基不变的几何距离作为非一致性度量，并通过学习到的预测难度估计器对非一致性分数进行缩放，从而得到随输入局部自适应、且尊重流形几何结构的预测区域，同时在可交换性假设下保留分裂共形预测的有限样本边际覆盖保证。研究在合成基准和翼型逆形状设计问题上比较了多种Grassmann距离度量的预测区域效率，结果表明几何感知的非一致性度量具有优势，局部自适应能改善不同预测难度水平上的经验覆盖均匀性，在强异方差情形下还能在维持目标覆盖的同时显著缩小预测区域。
🔑 关键词速览
| 共形预测 (Conformal Prediction) | 一种无分布假设的预测框架，通过构造预测区域来提供有限样本的覆盖保证。 |
| Grassmann流形 (Grassmann Manifold) | 所有固定维数子空间的集合构成的流形，常用于表示子空间数据。 |
| 非一致性度量 (Non-conformity Measure) | 用于衡量新样本与已有样本之间不一致程度的函数，是共形预测的核心组件。 |
| 分裂共形预测 (Split Conformal Prediction) | 一种共形预测的变体，将数据分为训练集和校准集，在校准集上计算非一致性分数。 |
| 异方差 (Heteroscedasticity) | 指数据中不同样本的方差不相等的现象，常见于回归问题。 |
📱 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