Minimal‑lange Konfidenzintervalle für Ordinalklassifikation

In hochriskanten Bereichen wie der medizinischen Bildgebung ist eine präzise Unsicherheitsabschätzung entscheidend. Conformal Prediction (CP) liefert dafür statistisch gültige Garantien, doch bisherige Verfahren für Ordinalklassifikation stützen sich meist auf Heuristiken oder verlangen, dass das zugrunde liegende Modell eine unimodale Verteilung über die Ordinallabels vorhersagt. Diese Einschränkungen behindern die Analyse von Abdeckungs‑Effizienz‑Trade‑Offs und schränken die Modellunabhängigkeit ein.

Die neue Methode löst dieses Problem, indem sie Ordinal‑CP als ein Minimum‑Length‑Covering‑Problem auf Instanzebene formuliert. Ein optimales Sliding‑Window‑Algorithmus, der nur linear in der Anzahl der Label‑Kandidaten (K) arbeitet, liefert für jede Kalibrierungsinstanz die kürzeste mögliche Konfidenzmenge. Durch diese lokale Optimalität wird die Vorhersageeffizienz im Erwartungswert deutlich verbessert.

Zusätzlich wird eine längenregulierte Variante vorgestellt, die die Größe der Vorhersageintervalle weiter reduziert, ohne die Abdeckung zu gefährden. In Experimenten auf vier unterschiedlichen Benchmark‑Datensätzen aus verschiedenen Domänen konnte die neue Technik die Vorhersageeffizienz im Durchschnitt um 15 % gegenüber etablierten Baselines steigern.