Doubly robust calibration of prediction sets under covariate shift
协变量漂移下预测集的双重稳健校准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：摘要核心是协变量漂移下的预测区域，因果推断仅作背景，未明确研究因果效应。
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…
协变量漂移下预测集的双重稳健校准
- 研究问题
- 当训练样本与测试样本的协变量分布发生变化时，如何为测试样本未观测的结果构造校准良好的预测区域？
- 方法与思路
- 作者在类似随机缺失条件的协变量漂移假设下，提出基于有效影响函数的框架，让预测区域适应分布变化。
- 材料陈述的贡献
- 摘要称，该框架将半参数效率理论用于预测区域校准，并在适应协变量漂移时维持覆盖；具体效率结果未说明。
- 阅读关注点
- 应核对协变量漂移假设、影响函数推导、双重稳健成立的条件，以及覆盖保证属于有限样本还是渐近性质。
- 阅读边界
- 仅据所给 Crossref 摘要；题名中的双重稳健性质、覆盖保证形式及效率提升条件未展开，不能推断其他版本结果。
原文摘要
Abstract Conformal prediction has received tremendous attention in recent years and has offered new solutions to problems in missing data and causal inference; yet these advances have not leveraged modern semi-parametric efficiency theory for more efficient uncertainty quantification. We consider the problem of obtaining well-calibrated prediction regions that can data adaptively account for a shift in the distribution of covariates between training and test data. Under a covariate shift assumption analogous to the standard missing at random assumption, we propose a general framework based on efficient influence functions to construct well-calibrated prediction regions for the unobserved outcome in the test sample without compromising coverage.