Aggregating conformal prediction sets via $ \alpha $-allocation
通过显著性水平分配聚合保形预测集合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：摘要研究通用保形预测集合的覆盖与大小，未明确涉及宏观预测、收益预测或分布处理效应。
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…
通过显著性水平分配聚合保形预测集合
- 研究问题
- 已有多个非符合度评分时，如何联合利用这些信息缩小保形预测集合，同时保持适当的有限样本或渐近覆盖保证？
- 方法与思路
- 作者优化各预测集合的水平分配并取交集，另以样本分割和完整保形化获得有限样本保证，提出个体化分配改善局部大小。
- 材料陈述的贡献
- 摘要称，方法提供渐近覆盖及两种有限样本有效变体，个体化策略实现渐近条件覆盖；实验报告更小的预测集合。
- 阅读关注点
- 应核对水平优化与覆盖证明使用的数据、各变体的样本要求、条件覆盖的精确定义，以及集合缩小和计算成本的比较。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明交换性等条件及条件覆盖的范围，不能把不同变体的覆盖保证混为一谈或推断具体改善幅度。
原文摘要
Summary Conformal prediction offers a distribution-free framework for constructing prediction sets with finite-sample coverage. Yet efficiently leveraging multiple nonconformity scores to reduce set sizes remains an open challenge. Instead of selecting a single best score, this work introduces a principled aggregation strategy that intersects multiple conformal prediction sets, with confidence levels allocated optimally to minimize the empirical set size while maintaining asymptotic coverage. Two variants are developed to guarantee finite-sample coverage via sample splitting and full conformalization, respectively. An individualized allocation strategy is further proposed to promote local size efficiency while achieving asymptotic conditional coverage. Extensive experiments on synthetic and real-world datasets demonstrate that our approach achieves considerably smaller prediction sets than state-of-the-art baselines while maintaining valid coverage.