Optimal Aggregation of Prediction Intervals under Unsupervised Domain Shift
无监督域偏移下预测区间的最优聚合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。
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：摘要研究通用域偏移下的预测区间，没有明确宏观预测、收益预测或其他所列领域的目标。
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…
无监督域偏移下预测区间的最优聚合
- 研究问题
- 当源域有带标签样本、目标域只有协变量时，如何聚合预测区间，使其在目标域保持适当覆盖并尽量缩小宽度？
- 方法与思路
- 作者分别研究源域与目标域通过有界密度比或保测度变换关联的情形，提出区间聚合方法，并分析目标域覆盖与宽度。
- 材料陈述的贡献
- 摘要称，方法具有计算便利性，并提供预测区间覆盖和宽度的理论保证及有限样本界，同时通过真实数据展示应用表现。
- 阅读关注点
- 应核对两类域关联条件的具体含义、目标结局信息如何由源域转移，以及密度比或变换的获取方式和有限样本界的依赖项。
- 阅读边界
- 这是 arXiv 预印本，未核验同行评审或期刊接收；摘要未说明覆盖类型及域关联细节，不能据此认为方法适用于任意分布变化。
原文摘要
As machine learning models are increasingly deployed in dynamic environments, it becomes paramount to assess and quantify uncertainties associated with distribution shifts. A distribution shift occurs when the underlying data-generating process changes, leading to a deviation in the model's performance. The prediction interval, which captures the range of likely outcomes for a given prediction, serves as a crucial tool for characterizing uncertainties induced by their underlying distribution. In this paper, we propose methodologies for aggregating prediction intervals to obtain one with minimal width and adequate coverage on the target domain under unsupervised domain shift, under which we have labeled samples from a related source domain and unlabeled covariates from the target domain. Our analysis encompasses scenarios where the source and the target domain are related via i) a bounded density ratio, and ii) a measure-preserving transformation. Our proposed methodologies are computationally efficient and easy to implement. Beyond illustrating the performance of our method through real-world datasets, we also delve into the theoretical details. This includes establishing rigorous theoretical guarantees, coupled with finite sample bounds, regarding the coverage and width of our prediction intervals. Our approach excels in practical applications and is underpinned by a solid theoretical framework, ensuring its reliability and effectiveness across diverse contexts.