弱监督下的预测推理
马克西姆·考奇斯（Maxime Cauchois）、苏亚什·古普塔（Suyash Gupta）、阿努尔·阿里（Alnur Ali）、约翰·杜奇（John C.Duchi）; 25(118):1−45, 2024.
摘要
在大规模统计机器学习中获取标签的费用使部分和弱标签数据具有吸引力，尽管如何利用这些数据进行模型拟合或验证并不总是显而易见的。我们提出了一种弥合部分监督和验证之间差距的方法，开发了一个保形预测框架，以使用弱标记数据提供有效的预测置信集——以规定的概率覆盖真实标签的集，独立于潜在分布。为此，我们引入了覆盖和预测有效性的（必要的）新概念，然后开发了几个应用场景，为分类和几个大规模结构化预测问题提供了有效的算法。我们通过几个实验证实了这样一个假设，即新的覆盖定义允许更紧密、信息更丰富（但有效）的置信集。
[腹肌]
[pdf格式][围兜]
