Neue Methode garantiert probabilistische Konfidenz bei kleinen Datensätzen

Conformal Prediction liefert datensatzunabhängige Vorhersageintervalle mit garantierter Randabdeckung. In der üblichen Split‑Conformal‑Variante gilt diese Garantie jedoch nur im Erwartungswert: Bei vielen Kalibrierungsdurchläufen entspricht der durchschnittliche Abdeckungsgrad dem gewünschten Niveau, aber bei einer einzelnen Kalibrierungsmenge kann die tatsächliche Abdeckung stark schwanken. Diese Schwankungen erschweren die effektive Risikosteuerung in praktischen Anwendungen.

Um diesem Problem zu begegnen, präsentiert ein neues Verfahren namens Small Sample Beta Correction (SSBC). SSBC ist ein Plug‑and‑Play‑Anpassungsschritt für das Konfidenzniveau, der die exakte endliche Stichprobendistribution der konformen Abdeckung nutzt. Dadurch erhält man probabilistische Garantien: Mit einer vom Anwender festgelegten Wahrscheinlichkeit über die Kalibrierungsstichprobe hinweg erreicht der eingesetzte Vorhersager mindestens die gewünschte Abdeckung.

Die Methode ist besonders für Szenarien mit begrenzten Datenmengen geeignet, wo klassische Konfidenzintervalle oft unzuverlässig sind. Durch die Kombination aus einfacher Implementierung und starker theoretischer Basis bietet SSBC einen praktischen Weg, die Zuverlässigkeit von Vorhersagen in kleinen Datensätzen zu erhöhen.