Der Artikel beschreibt einen neuen Ansatz zur konformen Vorhersage für Regression, bei dem Regression in ein Klassifizierungsproblem umgewandelt und dann konforme Vorhersagetechniken für Klassifizierung verwendet werden.
Zunächst wird der Ausgaberaum in K Bins diskretisiert, wobei jeder Bin als eigene Klasse behandelt wird. Um die Ordnung des kontinuierlichen Ausgaberaums zu erhalten, wird eine neue Verlustfunktion entworfen, die die Dichte in Bins nahe dem wahren Ausgabewert bestraft, aber auch Variabilität durch Entropie-Regularisierung zulässt.
Der resultierende Ansatz kann sich an Heteroskedastizität, Bimodalität oder beides in der Labelverteilung anpassen. In Experimenten auf synthetischen und realen Datensätzen zeigt der Ansatz kürzere Vorhersageintervalle im Vergleich zu anderen konformen Vorhersagemethoden.
To Another Language
from source content
arxiv.org
Deeper Inquiries