Prediction sets adaptive to unknown covariate shift
适应未知协变量分布漂移的预测集AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究统计学习预测集与 HIV 风险预测，没有宏观预测或金融收益预测的直接依据。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
适应未知协变量分布漂移的预测集
- 研究问题
- 当训练与目标环境存在未知协变量分布漂移时，如何构造具有有用覆盖保证的预测集来量化结果不确定性？
- 方法与思路
- 作者提出分布无关方法 PredSet-1Step，以渐近覆盖和渐近 PAC 性质为目标，并借助 Wald 区间覆盖收敛的新界。
- 材料陈述的贡献
- 摘要称有限样本覆盖保证在其研究问题中会导致无信息预测集，并给出新方法的渐近保证、实验及 HIV 风险应用。
- 阅读关注点
- 应核对无信息结论针对的分布类别、漂移设定与数据可得性，以及渐近 PAC 保证的定义和覆盖误差校准条件。
- 阅读边界
- 仅依据所给 Crossref 摘要；有限样本结论的精确范围与方法条件未说明，实验达到名义覆盖不能替代普遍有限样本保证。
原文摘要
Abstract Predicting sets of outcomes—instead of unique outcomes—is a promising solution to uncertainty quantification in statistical learning. Despite a rich literature on constructing prediction sets with statistical guarantees, adapting to unknown covariate shift—a prevalent issue in practice—poses a serious unsolved challenge. In this article, we show that prediction sets with finite-sample coverage guarantee are uninformative and propose a novel flexible distribution-free method, PredSet-1Step, to efficiently construct prediction sets with an asymptotic coverage guarantee under unknown covariate shift. We formally show that our method is asymptotically probably approximately correct, having well-calibrated coverage error with high confidence for large samples. We illustrate that it achieves nominal coverage in a number of experiments and a data set concerning HIV risk prediction in a South African cohort study. Our theory hinges on a new bound for the convergence rate of the coverage of Wald confidence intervals based on general asymptotically linear estimators.