Neue Methode verbessert Unsicherheitsabschätzung in Conformal Prediction
Forscher haben gezeigt, wie die Symmetrie von vortrainierten Modellen die Genauigkeit von Conformal Prediction (CP) deutlich steigern kann. CP ist ein post-hoc, verteilungsfreier Ansatz zur Unsicherheitsquantifizierung, der unter der Annahme der Austauschbarkeit der Daten formale Abdeckungsgarantien liefert. In langen Missionshorizonten wachsen die Unsicherheitsbereiche jedoch stark, sodass die statistischen Garantien praktisch unbrauchbar werden.
Die neue Technik nutzt die Gruppensymmetrie, indem sie die Vorhersagefunktion des vortrainierten Modells über die Orbitgruppen des Symmetriegroups mittelt. Dadurch wird die Nicht‑Konformitätsmasse gleichmäßig auf die Orbitgruppen verteilt und jeder Stichprobenpunkt wird als Vertreter einer gesamten Orbitgruppe betrachtet. Diese Gruppierung reduziert die Unsicherheit, weil andere Stichproben, die durch die Symmetrie‑Elemente miteinander verbunden sind, zur Abschwächung beitragen.
Die Autoren beweisen, dass die Methode zu kontrahierten Nicht‑Konformitätswerten in zunehmender konvexer Ordnung führt, was verbesserte Exponential‑Schwellenbegrenzungen und schärfere CP‑Sätze in Erwartung bedeutet – besonders bei hohen Konfidenzniveaus. Um die theoretischen Vorhersagen zu validieren, schlagen sie ein experimentelles Design vor, das die Methode in der Vorhersage von Fußgängertrajektorien testet.