Conformal Prediction After Data-Dependent Model Selection
数据依赖模型选择后的保形预测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：摘要研究一般模型选择后的预测集合覆盖与宽度，未限定宏观预测或金融收益预测，因此领域细分证据不足。
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…
数据依赖模型选择后的保形预测
- 研究问题
- 给定预训练模型族和留出数据，如何选择预测集合较窄的模型，同时避免同一数据用于模型选择与校准造成的覆盖率损失？
- 方法与思路
- 作者提出无需额外样本分割的模型选择后保形预测方法，目标是在维持预测集合有效性的同时提高实现效率并控制集合宽度。
- 材料陈述的贡献
- 摘要称方法具有有限样本有效性保证，在模型类满足特定正则条件时可获得渐近最优宽度，并通过模拟与真实数据展示宽度改善。
- 阅读关注点
- 应核对覆盖保证的类型与数据条件、模型选择规则及校准修正、模型族规模的影响，以及宽度最优性所需的正则条件。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，未核对全文或刊本变化；摘要未说明覆盖是边际还是条件保证，也未给出最优宽度条件的完整形式。
原文摘要
Given a family of pretrained models and a hold-out set, how can we construct a valid conformal prediction set while selecting a model that minimizes the width of the set? If we use the same hold-out data set both to select a model (the model that yields the smallest conformal prediction sets) and then to construct a conformal prediction set based on that selected model, we suffer a loss of coverage due to selection bias. Alternatively, we could further split the data to perform selection and calibration separately, but this comes at a steep cost if the size of the dataset is limited. In this paper, we address the challenge of constructing a valid prediction set after data-dependent model selection—commonly, selecting the model that minimizes the width of the resulting prediction sets. Our novel methods can be implemented efficiently and admit finite-sample validity guarantees without invoking additional sample-splitting. We show that our methods yield prediction sets with asymptotically optimal width under certain notions of regularity for the model class. The improvement in the width of the prediction sets constructed by our methods is further demonstrated through applications to synthetic datasets in various settings and a real data example.