Selecting informative conformal prediction sets with false coverage rate control
具有错误覆盖率控制的信息性共形预测集选择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：摘要研究通用监督学习的选择后预测覆盖，没有明确限定宏观预测或金融收益预测场景。
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…
具有错误覆盖率控制的信息性共形预测集选择
- 研究问题
- 在只保留足够小、排除零值或满足其他信息性约束的预测集后，如何控制所选样本上的错误覆盖率？
- 方法与思路
- 作者针对回归和分类建立统一框架，以单调信息性约束组织选择过程，提出InfoSP与InfoSCOP程序。
- 材料陈述的贡献
- 摘要称这些程序能够对所选信息性共形预测集控制错误覆盖率，并用真实数据和模拟数据展示其用途。
- 阅读关注点
- 应核对错误覆盖率的定义、单调约束范围、数据与选择机制的条件，以及两种程序的保证和适用情形。
- 阅读边界
- 仅据所给Crossref摘要，未核对全文或版本变化；摘要未列保证的完整条件和数值结果，FCR控制不能直接等同于逐个预测集的条件覆盖。
原文摘要
Abstract In supervised learning, including regression and classification, conformal methods provide prediction sets for the outcome/label with finite sample coverage for any machine learning predictor. We consider here the case where such prediction sets come after a selection process. The selection process requires that the selected prediction sets be ‘informative’ in a well-defined sense. We consider both the classification and regression settings where the analyst may consider as informative only the sample with prediction sets small enough, excluding null values, or obeying other appropriate ‘monotone’ constraints. We develop a unified framework for building such informative conformal prediction sets while controlling the false coverage rate (FCR) on the selected sample. While conformal prediction sets after selection have been the focus of much recent literature in the field, the new introduced procedures, called InfoSP and InfoSCOP, are to our knowledge the first ones providing FCR control for informative prediction sets. We show the usefulness of our resulting procedures on real and simulated data.