机构名称：
¥ 3.0
在监督学习问题中的摘要，鉴于预测的值是某些训练有素的模型的输出，我们如何量化围绕此预测的不确定性？无分布的预测推论旨在围绕此输出构建预测间隔，有效覆盖范围不依赖于数据分布或模型培训算法的性质的假设。在该领域的现有方法，包括保形预测和折刀+，提供了略有保证的理论保证（即，在培训和测试数据中平均而言）。相比之下，培训条件覆盖范围是更强的有效性概念，可确保大多数训练数据的测试点的预测覆盖范围，因此在实践中是更理想的属性。Vovk [2012]表明了培训条件覆盖范围，以持有分裂的共形方法，但Bian和Barber [2023]的最新工作证明，对于没有进一步假设的完整的子状和折刀+方法，无法使用这种有效性保证。在本文中，我们表明算法稳定性的假设可确保训练条件覆盖属性具有完整的保形和折刀+方法。
算法稳定性意味着训练无分配预测方法的培训条件覆盖率
主要关键词
相关文件推荐
