Confidence on the focal: conformal prediction with selection-conditional coverage
聚焦对象的置信保障：具有选择条件覆盖率的保形预测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：摘要讨论通用选择后预测保障及医学应用，没有所列因果、宏观预测或金融风险方向的直接证据。
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…
关注这篇论文的作者
聚焦对象的置信保障：具有选择条件覆盖率的保形预测
- 研究问题
- 数据驱动程序选出特定测试对象后，如何避免选择偏差使普通边际保形预测失去对这些对象的有效覆盖？
- 方法与思路
- 作者构造以对象被选中为条件的预测集框架，适用于对校准对象置换不变的选择规则，并为多种实际规则设计高效实现。
- 材料陈述的贡献
- 摘要称，该框架具有有限样本精确的选择条件覆盖率，扩展 Mondrian 保形预测，并以药物发现和健康风险预测展示应用。
- 阅读关注点
- 应核对选择条件覆盖的精确定义、校准样本所需假设、选择规则的置换不变性，以及多测试对象和计算实现的处理。
- 阅读边界
- 仅据所给 Crossref 摘要，无法确定完整有效性条件或计算成本；选择条件覆盖也不能自动解释为给定全部协变量的条件覆盖。
原文摘要
Abstract Conformal prediction builds marginally valid prediction intervals that cover the unknown outcome of a randomly drawn test point with a prescribed probability. However, in practice, data-driven methods are often used to identify specific test unit(s) of interest, requiring uncertainty quantification tailored to these focal units. In such cases, marginally valid conformal prediction intervals may fail to provide valid coverage for the focal unit(s) due to selection bias. This article presents a general framework for constructing a prediction set with finite-sample exact coverage, conditional on the unit being selected by a given procedure. The general form of our method accommodates arbitrary selection rules that are invariant to the permutation of the calibration units and generalizes Mondrian Conformal Prediction to multiple test units and non-equivariant classifiers. We also work out computationally efficient implementation of our framework for a number of realistic selection rules, including top-K selection, optimization-based selection, selection based on conformal p-values, and selection based on properties of preliminary conformal prediction sets. The performance of our methods is demonstrated via applications in drug discovery and health risk prediction.