Colorful Pinball: Density-Weighted Quantile Regression for Conditional Guarantee of Conformal Prediction
彩色弹球：面向共形预测条件保证的密度加权分位数回归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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要核心是分位数回归与条件覆盖的分布性质，直接对应“分位数与分布效应”这一细分方向。
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
彩色弹球：面向共形预测条件保证的密度加权分位数回归
- 研究问题
- 摘要称，共形预测虽能提供稳健的边缘覆盖保证，但针对特定输入实现可靠的条件覆盖仍然困难；本文研究如何在有限样本下改善条件覆盖，而非仅追求放松版的条件覆盖概念。
- 方法与思路
- 作者提出直接以条件覆盖的均方误差为目标，改进支撑许多共形方法的分位数回归部分；借助泰勒展开推导出尖锐的替代目标——密度加权 pinball 损失，权重为非一致性分数在真实分位数处的条件密度，并用三头分位数网络通过 1-α±δ 辅助分位数水平的有限差分估计权重，再优化加权损失微调中心分位数。
- 材料陈述的贡献
- 摘要称，作者给出了精确的非渐近理论分析，刻画由此产生的超额风险，并在多个高维真实数据集上报告了条件覆盖性能的显著改进。
- 阅读关注点
- 阅读全文时应核对：密度加权 pinball 损失作为替代目标的推导条件与近似误差；非渐近超额风险保证所依赖的假设；三头网络中 δ 与辅助分位数水平的选择方式；实验数据、基线设置及条件覆盖指标的具体定义。
- 阅读边界
- 仅凭摘要无法判断定理假设是否现实、有限差分权重估计的稳定性、实验是否可复现，以及相对基线的改进幅度；摘要未说明具体数据集、样本量与数值结果。该文为 arXiv 预印本，不能据此声称已经同行评审或期刊接收。
原文摘要
Although conformal prediction provides robust marginal coverage guarantees, achieving reliable conditional coverage for specific inputs remains challenging. While exact distribution-free conditional coverage is impossible with finite samples, recent work has focused on improving the conditional coverage of standard conformal procedures. Distinct from approaches that target relaxed notions of conditional coverage, we directly target the mean squared error of conditional coverage by refining the quantile regression components that underpin many conformal methods. Leveraging a Taylor expansion, we derive a sharp surrogate objective for quantile regression: a density-weighted pinball loss, where the weights are given by the conditional density of the nonconformity score evaluated at the true quantile. We propose a three-headed quantile network that estimates these weights via finite differences using auxiliary quantile levels at $1-α\pm δ$, subsequently fine-tuning the central quantile by optimizing the weighted loss. We provide a theoretical analysis with exact non-asymptotic guarantees characterizing the resulting excess risk. Extensive experiments on diverse high-dimensional real-world datasets demonstrate remarkable improvements in conditional coverage performance.