.png){kind=icon}
返回
Statistical frameworks for reliable machine learning predictions and inference
.png){kind=icon}
PRE
AI
DOI：10.1177/18747655261420243.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习（ML）模型通常能实现高精度，但难以满足官方统计（OS）所需的可靠性和鲁棒性标准。特别是神经网络作为黑箱预测器，容易过度自信，缺乏直接测量预测和人口参数估计真实不确定性的方法。非严谨的方法包括将ML预测视为金标准数据和将不确定性的启发式概念（如分类问题中的softmax分数）作为有效的置信度度量，这极易导致不可靠的不确定性量化。本文处理两个不同的问题：（1）对新观测值的预测级不确定性进行量化；（2）对无噪声的人口参数估计的不确定性进行量化。我们提出使用合合预测（CP）处理前者，采用预测驱动的推断（PPI）处理后者。两者均为模型无关的不确定性量化统计框架。最后，我们介绍了OS的实际应用案例，并应用了这两种技术。
Keyword:
uncertainty quantification
conformal prediction
prediction-powered inference
