一种新型的深度学习方法用于一步式逼近置信预测
摘要：深度学习预测具有可测量的信心对于现实世界的问题变得越来越有吸引力，特别是在高风险环境中。符合预测（Conformal Prediction，CP）框架是一种多功能解决方案，它保证了在最小限制条件下的最大误差率。在本文中，我们提出了一种新的符合损失函数，它在单一步骤中近似实现了传统的两步符合预测方法。通过评估和惩罚与严格的预期CP输出分布的偏差，深度学习模型可以学习输入数据与符合p值之间的直接关系。我们进行了全面的实证评估，展示了我们的新损失函数在五个基准数据集上的七个二分类和多分类预测任务中的竞争力。在相同的数据集上，与聚合符合预测（ACP）相比，我们的方法在训练时间上实现了高达86\%的显著减少，同时保持了可比的近似有效性和预测效率。
作者：Julia A. Meister, Khuong An Nguyen, Stelios Kapetanakis, Zhiyuan Luo
论文ID：2207.12377
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-08