🔥 今日值得一读
共形预测新突破！CoCoNet学习凸一致性得分，30个多维回归任务中22个效率第一
CoCoNet: Convex Conformal Network for Multi-Dimensional Uncertainty Regions
👨💼 主理人解读 · 为什么值得关注
为多输出回归提供有覆盖保证的联合预测区域，可用于需要可靠不确定性估计的预测系统。
📖 AI 总结
该论文提出CoCoNet（凸共形网络），用于多维回归中的不确定性区域构建。共形预测虽能提供无分布覆盖保证，但其预测区域效率高度依赖一致性评分的选择，在多维输出场景下尤为关键，因为输出维度间的依赖关系会形成复杂的联合不确定性结构。CoCoNet的核心思路是利用留出数据学习凸一致性评分，在约束评分关于残差为凸的同时优化预测区域效率，再通过分裂共形校准保留有限样本覆盖保证。作者给出两种实现：基于分段线性评分的CoCoNet_Spline和基于输入凸神经网络的CoCoNet_ICNN。在输出维度2至16的合成与真实数据集上，与多种共形预测基线对比，8个模型、30个多维回归任务中，CoCoNet_ICNN与CoCoNet_Spline-ℓ1取得最佳效率，平均排名分别为1.45和2.75，其中CoCoNet_ICNN在30个任务中的22个上效率排名第一。该工作表明，学习凸一致性评分可在不牺牲覆盖保证的前提下显著提升多维预测区域的灵活性与效率。
🔑 关键词速览
| 共形预测 (Conformal Prediction, CP) | 一种无分布假设的预测框架，能在可交换性下为预测区域提供有限样本覆盖保证。 |
| 一致性得分 (Conformity Score) | 衡量新样本与已有数据一致性的函数，决定共形预测区域的形状和效率。 |
| 分裂共形校准 (Split-Conformal Calibration) | 一种共形预测校准方法，将数据分为训练集和校准集，以保持有限样本覆盖保证。 |
| 输入凸神经网络 (Input Convex Neural Network, ICNN) | 一种对输入具有凸性约束的神经网络结构，用于学习凸函数。 |
| 多元回归 (Multivariate Regression) | 输出为多维向量的回归问题，各输出维度间可能存在复杂依赖关系。 |
📱 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