Split Localized Conformal Prediction

要約

コンフォーマル予測は、分布の仮定なしで不確実性を定量化できるシンプルで強力なツールです。
既存の方法の多くは平均カバレッジ保証のみに対応しており、より強力な条件付きカバレッジ保証と比較すると理想的ではありません。
条件付きカバレッジを概算する既存の方法は、追加のモデルや時間の労力を必要とするため、スケーリングが容易ではありません。
この論文では、カーネル密度推定を使用して条件付き分布の局所近似を活用することにより、修正された不適合スコアを提案します。
修正されたスコアは、シンプルで効率的で高次元の設定にスケーリングできる分割等角法の精神を継承しています。
また、私たちの方法といくつかの最先端技術を組み合わせた統合フレームワークも提案しました。
広範な経験的評価を実行します。平均カバレッジと条件付きカバレッジの両方によって測定された結果は、この方法の利点を裏付けています。

要約(オリジナル)

Conformal prediction is a simple and powerful tool that can quantify uncertainty without any distributional assumptions. Many existing methods only address the average coverage guarantee, which is not ideal compared to the stronger conditional coverage guarantee. Existing methods of approximating conditional coverage require additional models or time effort, which makes them not easy to scale. In this paper, we propose a modified non-conformity score by leveraging the local approximation of the conditional distribution using kernel density estimation. The modified score inherits the spirit of split conformal methods, which is simple and efficient and can scale to high dimensional settings. We also proposed a unified framework that brings together our method and several state-of-the-art. We perform extensive empirical evaluations: results measured by both average and conditional coverage confirm the advantage of our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google