SpeedCP: Predicción Condicional Conformal Rápida Basada en Núcleos

La predicción conformal proporciona conjuntos de predicción sin necesidad de distribución con garantías condicionales de muestra finita. Nos basamos en el marco basado en RKHS de Gibbs et al. (2023), que aprovecha familias de cambios en covariables para proporcionar intervalos de predicción conformal condicional aproximados, un enfoque con una fuerte promesa teórica, pero con un costo computacional prohibitivo. Para cerrar esta brecha, desarrollamos un algoritmo estable y eficiente que calcula la trayectoria completa de solución del problema de optimización conformal regularizado en RKHS, a un costo esencialmente igual al de un ajuste de cuartil de núcleo único. Nuestro marco de seguimiento de trayectoria sintoniza simultáneamente hiperparámetros, proporcionando control de suavidad y calibración adaptativa a los datos. Para extender el método a configuraciones de alta dimensión, integramos aún más nuestro enfoque con incrustaciones latentes de rango bajo que capturan validez condicional en un espacio latente impulsado por datos. Empíricamente, nuestro método proporciona una cobertura condicional confiable a través de una variedad de modernos predictores de caja negra, mejorando la longitud del intervalo de Gibbs et al. (2023) en un 30%, mientras se logra una aceleración de 40 veces.