面向保形椭球的尾部感知几何学习研究
该研究聚焦于多元保形预测（CP）这一具备有限样本覆盖保证的无分布不确定性量化框架。针对现有最小体积方法依赖分位数阈值、忽略尾部残差严重性并将几何学习与覆盖水平隐式绑定的问题，研究团队提出了一种用于保形椭球的尾部感知几何学习框架。该方法成功将几何学习中的尾部敏感性与最终覆盖保证解耦，从而提升了多元预测集的构建效率与几何表征能力。
推荐理由针对多元保形预测中的残差几何与覆盖保证解耦提出了创新算法框架，对不确定性量化理论具有一定学术价值。
原标题：Tail-Aware Geometry Learning for Conformal Ellipsoids
阅读 arXiv 机器学习 原文 ↗