Evidential Uncertainty Sets in Deep Classifiers Using Conformal Prediction

本文提出了证据一致性预测（Evidential Conformal Prediction，ECP）方法，用于图像分类器生成一致性预测集。我们的方法基于一种非一致性得分函数，该函数源于证据深度学习（Evidential Deep Learning，EDL），用于量化DNN分类器中的模型（认知）不确定性。我们使用从目标标签的逻辑值中得出的证据来计算我们的非一致性得分函数的组成部分：CP中的启发式不确定性概念、不确定性惊奇和期望效用。我们广泛的实验评估表明，ECP在保持真实标签覆盖率的同时，在生成CP集的大小和适应性方面优于三种最先进的方法。

本论文旨在提出一种基于证据的符合预测（ECP）方法，用于生成图像分类器的符合预测集。该方法基于一种非符合性得分函数，其根源在于证据深度学习（EDL），作为量化DNN分类器模型（认知）不确定性的方法。使用从目标标签的logit值中导出的证据来计算我们的非符合性得分函数的组成部分：CP中的启发式不确定性概念，不确定性惊奇和预期效用。实验结果表明，ECP在维护真实标签覆盖率的同时，以其集合大小和适应性方面优于三种最先进的生成CP集的方法。

本论文提出了一种基于证据的符合预测（ECP）方法，用于生成图像分类器的符合预测集。该方法使用从目标标签的logit值中导出的证据来计算非符合性得分函数的组成部分。

本论文的亮点在于提出了一种基于证据的符合预测（ECP）方法，用于生成图像分类器的符合预测集。实验结果表明，ECP在维护真实标签覆盖率的同时，以其集合大小和适应性方面优于三种最先进的生成CP集的方法。本文还提供了实验设计、使用的数据集和开源代码等细节信息。

最近在这个领域中，还有一些相关的研究，例如：A study on conformal prediction and its applications、Conformal prediction with deep learning models等。