不少在线共形推断方法都存在一个显著局限,即未对过度/不足覆盖的程度进行量化。在本研究中,作者提出误差量化共形推断(Error-quantified Conformal Inference, ECI),用于构建时间序列数据的预测集。 与自适应共形推断(ACI)及其变体相比,ECI 通过测量误...
共形推断为在不依赖强假设或高度理想化模型的情况下使用复杂的机器学习方法进行统计分析提供了严格的理论保证。然而,现有的共形推断方法在处理结构化多重假设检验方面有着明显的局限性:这是因为它们的有效性要求使用对称决策,这一类决策需要共形得分的联合可交换性和算法的置换不变性。在这些框架和限制下,共形得分无法充分...
2003年北京大学学士,2008年宾夕法尼亚大学博士。2022全职回国前担任美国南加州大学数据科学与运筹系教授。主要研究方向为大规模统计推断、共形预测与推断、整合分析与迁移学习、非参数经验贝叶斯与复合决策理论。 直播分享时间:2024年6月15日,更多直播请关注狗熊会(ID:clubear)微信公众号...
孙文光是浙江大学求是讲席教授和数据科学研究中心主任。2003年北京大学学士,2008年宾夕法尼亚大学博士。2022全职回国前担任美国南加州大学数据科学与运筹系教授。主要研究方向为大规模统计推断、共形预测与推断、整合分析与迁移学习、非参数经验贝叶斯与复合决策理论。 狗熊会线上学术报告厅向数据科学及相关领域的学者及从...
孙文光是浙江大学求是讲席教授和数据科学研究中心主任。2003年北京大学学士,2008年宾夕法尼亚大学博士。2022全职回国前担任美国南加州大学数据科学与运筹系教授。主要研究方向为大规模统计推断、共形预测与推断、整合分析与迁移学习、非参数经验贝叶斯与复合决策理论。
共形推断为在不依赖强假设或高度理想化模型的情况下使用复杂的机器学习方法进行统计分析提供了严格的理论保证。然而,现有的共形推断方法在处理结构化多重假设检验方面有着明显的局限性:这是因为它们的有效性要求使用对称决策,这一类决策需要共形得分的联合可交换性和算法的置换不变性。在这些框架和限制下,共形得分无法...