Adaptando a Predição Conformal a Mudanças de Distribuição sem Rótulos

A predição conformal (CP) permite que modelos de aprendizado de máquina produzam conjuntos de previsões com taxa de cobertura garantida, assumindo dados intercambiáveis. Infelizmente, a suposição de intercambiabilidade é frequentemente violada devido a mudanças de distribuição na prática, e o desafio é frequentemente exacerbado pela falta de rótulos de verdade de base no momento do teste. Focando na classificação neste artigo, nosso objetivo é melhorar a qualidade dos conjuntos de previsões gerados pelo CP usando apenas dados não rotulados do domínio de teste. Isso é alcançado por dois novos métodos chamados ECP e EACP, que ajustam a função de pontuação no CP de acordo com a incerteza do modelo base nos dados não rotulados do teste. Através de extensos experimentos em vários conjuntos de dados de grande escala e arquiteturas de redes neurais, mostramos que nossos métodos proporcionam uma melhoria consistente em relação às linhas de base existentes e quase igualam o desempenho de algoritmos supervisionados.