Prediction and Outlier Detection in Classification Problems
分类问题中的预测与离群点检测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：摘要属于机器学习分类与预测集合研究，未涉及离散选择模型或所列宏观、金融预测问题。
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
分类问题中的预测与离群点检测
- 研究问题
- 训练数据与样本外数据分布可能不同时，如何同时构造包含正确类别的预测集合，并通过空集合识别离群点？
- 方法与思路
- 作者提出 BCOPS，将监督学习与保形预测结合，优化样本外平均误分类损失，并提出离群点检出率估计方法。
- 材料陈述的贡献
- 摘要称预测集合具有有限样本覆盖保证，相关方法在适当假设下具有渐近一致性与最优性，并提供真实数据例子。
- 阅读关注点
- 应核对覆盖保证的对象及分布变化机制、空集合判定规则，以及一致性和最优性所需条件与损失函数定义。
- 阅读边界
- 仅据所给 Crossref 摘要；覆盖保证的适用结构未展开，不能将无分布假设表述理解为允许任意训练与测试分布变化。
原文摘要
Abstract We consider the multi-class classification problem when the training data and the out-of-sample test data may have different distributions and propose a method called BCOPS (balanced and conformal optimized prediction sets). BCOPS constructs a prediction set C(x) as a subset of class labels, possibly empty. It tries to optimize the out-of-sample performance, aiming to include the correct class and to detect outliers x as often as possible. BCOPS returns no prediction (corresponding to C(x) equal to the empty set) if it infers x to be an outlier. The proposed method combines supervised learning algorithms with conformal prediction to minimize a misclassification loss averaged over the out-of-sample distribution. The constructed prediction sets have a finite sample coverage guarantee without distributional assumptions. We also propose a method to estimate the outlier detection rate of a given procedure. We prove asymptotic consistency and optimality of our proposals under suitable assumptions and illustrate our methods on real data examples.