端到端的符合性校准用于不确定性下的优化
原文中文，约300字，阅读约需1分钟。发表于：。本研究针对高容量预测模型中校准不确定性估计的困难，开发了一种端到端框架以学习条件鲁棒优化的不确定性估计，并通过符合性预测提供鲁棒性和校准保证。该方法在能量存储套利和投资组合优化的具体应用中，表现出持续优于两阶段估计-再优化基线的方法。
决策者在使用机器学习时，通常在相同预测下采取相同行动。符合性预测量化结果不确定性，改善风险管理。我们提出结合Venn-Abers校准的自洽符合性预测，确保模型预测下行动的有效性。该方法适用于任何黑盒模型，为特定行动提供决策保证。实验显示其在区间效率和条件有效性间取得平衡。
