Multi-Scale Conformal Prediction: A Theoretical Framework with Coverage Guarantees
多尺度共形预测：具有覆盖保证的理论框架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：摘要属于通用预测集合理论，多分辨率时间序列仅作为应用举例，缺乏具体计量细分依据。
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
多尺度共形预测：具有覆盖保证的理论框架
- 研究问题
- 面对具有层级或多分辨率结构的数据，如何整合不同尺度的共形预测集合，在控制误覆盖概率的同时缩小最终预测集合？
- 方法与思路
- 作者为各尺度定义独立的符合度函数，将所得预测集合取交集，并按尺度信息量分配总误覆盖预算，分析覆盖性质及尺度依赖。
- 材料陈述的贡献
- 摘要称，该框架保留边际覆盖保证，尺度依赖可带来保守覆盖；合成分类实验中达到或超过名义覆盖，并生成较小预测集合。
- 阅读关注点
- 应核对覆盖定理的假设、各尺度误覆盖预算及其分配方式，尤其是取交集和数据驱动的信息量评估如何影响有限样本保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明完整覆盖条件、预算算法或实验数值，边际保证不能直接推及条件覆盖。
原文摘要
We propose a multi-scale extension of conformal prediction, an approach that constructs prediction sets with finite-sample coverage guarantees under minimal statistical assumptions. Classic conformal prediction relies on a single notion of conformity, overlooking the multi-level structures that arise in applications such as image analysis, hierarchical data exploration, and multi-resolution time series modeling. In contrast, the proposed framework defines a distinct conformity function at each relevant scale or resolution, producing multiple conformal predictors whose prediction sets are then intersected to form the final multi-scale output. We establish theoretical results confirming that the multi-scale prediction set retains the marginal coverage guarantees of the original conformal framework and can, in fact, yield smaller or more precise sets in practice. By distributing the total miscoverage probability across scales in proportion to their informative power, the method further refines the set sizes. We also show that dependence between scales can lead to conservative coverage, ensuring that the actual coverage exceeds the nominal level. Numerical experiments in a synthetic classification setting demonstrate that multi-scale conformal prediction achieves or surpasses the nominal coverage level while generating smaller prediction sets compared to single-scale conformal methods.