Enhanced Localized Conformal Prediction with Imperfect Auxiliary Information
利用不完美辅助信息增强局部共形预测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：摘要研究通用预测集合与覆盖校准，未涉及宏观预测或金融收益预测，故不指定给定领域细分。
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…
关注这篇论文的作者
利用不完美辅助信息增强局部共形预测
- 研究问题
- 当局部校准样本稀疏、辅助数据与目标数据存在分布差异时，如何提高预测集合的局部覆盖可靠性，同时保留边际覆盖保证？
- 方法与思路
- 作者提出增强局部共形预测，以密度比加权核估计整合辅助数据和校准数据，处理潜在分布偏移并细化局部预测集合。
- 材料陈述的贡献
- 摘要称方法保持有限样本边际覆盖，并改善渐近测试条件覆盖；模拟显示相较标准局部共形预测具有更好的局部覆盖表现。
- 阅读关注点
- 应核对边际覆盖与测试条件覆盖的区别、密度比的获取方式、辅助信息不完美的允许程度，以及局部改善是否影响集合大小。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；交换性、密度比估计及辅助分布条件未说明，渐近局部保证不能解释为有限样本条件覆盖，亦不能推断刊本变化。
原文摘要
There is growing interest in constructing conformal prediction sets that provide approximate or asymptotic conditional coverage guarantees, capturing local data heterogeneity. However, methods like localized conformal prediction (LCP) may face challenges in ensuring reliable prediction sets in regions with sparse calibration data. This paper introduces Enhanced Localized Conformal Prediction (ELCP), a novel approach that incorporates auxiliary data to refine localized prediction sets while preserving finite-sample marginal coverage guarantees. By utilizing a density-ratio-weighted kernel estimator, ELCP seamlessly integrates auxiliary and calibration data, accommodating potential distributional shifts and improving the local reliability of prediction sets. Theoretical analysis confirms that ELCP maintains marginal coverage and enhances asymptotic test-conditional coverage. Simulation results demonstrate its superior local coverage compared to standard LCP, highlighting its effectiveness in settings with limited calibration data but available auxiliary information from related tasks.