Buchumschlag

A comparative study of conformal prediction methods for valid uncertainty quantification in machine learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Dewolf, Nicolas
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence Statistics Theory
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Generalising realisability in statistical learning theory under epistemic uncertainty
von: Cuzzolin, Fabio
Veröffentlicht: (2024)

A review of predictive uncertainty estimation with machine learning
von: Tyralis, Hristos, et al.
Veröffentlicht: (2022)

Class conditional conformal prediction for multiple inputs by p-value aggregation
von: Fermanian, Jean-Baptiste, et al.
Veröffentlicht: (2025)

Uncertainty quantification for probabilistic machine learning in earth observation using conformal prediction
von: Singh, Geethen, et al.
Veröffentlicht: (2024)

Adaptive auditing of AI systems with anytime-valid guarantees
von: Zhou, Siyu, et al.
Veröffentlicht: (2026)

Mitigating loss of variance in ensemble data assimilation: machine learning-based and distance-free localization
von: Silva, Vinicius L. S., et al.
Veröffentlicht: (2025)

Statistical Agnostic Regression: a machine learning method to validate regression models
von: Gorriz, Juan M, et al.
Veröffentlicht: (2024)

Influence functions and regularity tangents for efficient active learning
von: Eaton, Frederik
Veröffentlicht: (2024)

Perturbative adaptive importance sampling for Bayesian LOO cross-validation
von: Chang, Joshua C, et al.
Veröffentlicht: (2024)

Cost-optimal Sequential Testing via Doubly Robust Q-learning
von: Zhou, Doudou, et al.
Veröffentlicht: (2026)

Physics-informed machine learning as a kernel method
von: Doumèche, Nathan, et al.
Veröffentlicht: (2024)

Variational bagging: a robust approach for Bayesian uncertainty quantification
von: Fan, Shitao, et al.
Veröffentlicht: (2025)

Prior-dependent analysis of posterior sampling reinforcement learning with function approximation
von: Li, Yingru, et al.
Veröffentlicht: (2024)

Representation learning with a transformer by contrastive learning for money laundering detection
von: Guéneau, Harold, et al.
Veröffentlicht: (2025)

Score-based generative models are provably robust: an uncertainty quantification perspective
von: Mimikos-Stamatopoulos, Nikiforos, et al.
Veröffentlicht: (2024)

MESSY Estimation: Maximum-Entropy based Stochastic and Symbolic densitY Estimation
von: Tohme, Tony, et al.
Veröffentlicht: (2023)

Conditional validity of heteroskedastic conformal regression
von: Dewolf, Nicolas, et al.
Veröffentlicht: (2023)

Approximate full conformal prediction in an RKHS
von: Razafindrakoto, Davidson Lova, et al.
Veröffentlicht: (2026)

Statistical inference with belief functions: A survey
von: Cuzzolin, Fabio
Veröffentlicht: (2026)

A Quantitative Characterization of Forgetting in Post-Training
von: Balasubramanian, Krishnakumar, et al.
Veröffentlicht: (2026)

A Fine-Grained Understanding of Uniform Convergence for Halfspaces
von: Kontorovich, Aryeh, et al.
Veröffentlicht: (2026)

A Diffusion Analysis of Policy Gradient for Stochastic Bandits
von: Lattimore, Tor
Veröffentlicht: (2026)

The Geometry of Benchmarks: A New Path Toward AGI
von: Chojecki, Przemyslaw
Veröffentlicht: (2025)

Deep Ensembles for Epistemic Uncertainty: A Frequentist Perspective
von: Jain, Anchit, et al.
Veröffentlicht: (2025)

Entropy, concentration, and learning: a statistical mechanics primer
von: Balsubramani, Akshay
Veröffentlicht: (2024)

A Computational Theory for Efficient Mini Agent Evaluation with Causal Guarantees
von: Yan, Hedong
Veröffentlicht: (2025)

A Statistical Analysis of Deep Federated Learning for Intrinsically Low-dimensional Data
von: Chakraborty, Saptarshi, et al.
Veröffentlicht: (2024)

A Theory of the Mechanics of Information: Generalization Through Measurement of Uncertainty (Learning is Measuring)
von: Hazard, Christopher J., et al.
Veröffentlicht: (2025)

Low-Dimensional Adaptation of Rectified Flow: A Diffusion and Stochastic Localization Perspective
von: Roy, Saptarshi, et al.
Veröffentlicht: (2026)

Enjoying Non-linearity in Multinomial Logistic Bandits: A Minimax-Optimal Algorithm
von: Boudart, Pierre, et al.
Veröffentlicht: (2025)

A note on the impossibility of conditional PAC-efficient reasoning in large language models
von: Zeng, Hao
Veröffentlicht: (2025)

A Unified Pair-GRPO Family: From Implicit to Explicit Preference Constraints for Stable and General RL Alignment
von: Yu, Hao
Veröffentlicht: (2026)

The surrogate Gibbs-posterior of a corrected stochastic MALA: Towards uncertainty quantification for neural networks
von: Bieringer, Sebastian, et al.
Veröffentlicht: (2023)

Path Regularization: A Near-Complete and Optimal Nonasymptotic Generalization Theory for Multilayer Neural Networks and Double Descent Phenomenon
von: Yu, Hao
Veröffentlicht: (2025)

Probabilistic computation and uncertainty quantification with emerging covariance
von: Ma, Hengyuan, et al.
Veröffentlicht: (2023)

Universal distribution of the empirical coverage in split conformal prediction
von: F, Paulo C. Marques
Veröffentlicht: (2023)

From Spikes to Heavy Tails: Unveiling the Spectral Evolution of Neural Networks
von: Kothapalli, Vignesh, et al.
Veröffentlicht: (2024)

Training Implicit Generative Models via an Invariant Statistical Loss
von: de Frutos, José Manuel, et al.
Veröffentlicht: (2024)

U-Nets as Belief Propagation: Efficient Classification, Denoising, and Diffusion in Generative Hierarchical Models
von: Mei, Song
Veröffentlicht: (2024)

Learning Interpretable Concepts: Unifying Causal Representation Learning and Foundation Models
von: Rajendran, Goutham, et al.
Veröffentlicht: (2024)