Cuantificación de la Incertidumbre Robusta Usando Predicción Monte Carlo Conformalizada

El despliegue de modelos de aprendizaje profundo en aplicaciones críticas para la seguridad sigue siendo una tarea muy desafiante, exigiendo la provisión de garantías para el funcionamiento confiable de estos modelos. Los métodos de cuantificación de incertidumbre (UQ) estiman la confianza del modelo por predicción, informando la toma de decisiones al considerar el efecto de la aleatoriedad y la especificación incorrecta del modelo. A pesar de los avances de los métodos UQ de última generación, son computacionalmente costosos o producen conjuntos/intervalos de predicción conservadores. Introducimos MC-CP, un nuevo método híbrido de UQ que combina un nuevo método de abandono adaptativo Monte Carlo (MC) con la predicción conformal (CP). MC-CP modula adaptativamente el abandono tradicional de MC en tiempo de ejecución para ahorrar recursos de memoria y computación, permitiendo que las predicciones sean consumidas por CP, lo que produce conjuntos/intervalos de predicción robustos. A través de experimentos exhaustivos, mostramos que MC-CP ofrece mejoras significativas sobre métodos UQ comparables, como el abandono MC, RAPS y CQR, tanto en evaluaciones de clasificación como de regresión. MC-CP puede ser fácilmente añadido a modelos existentes, haciendo que su implementación sea sencilla. El código de MC-CP y el paquete de replicación están disponibles en https://github.com/team-daniel/MC-CP.