合规化选择回归
内容提要
该文综述选择性回归与共形预测：提出基于非参数不确定性估计的选择性回归，在69个数据集上优于现有方法；结合共形预测与分位数回归以适应异方差；研究选择性分类在虚假相关下放大群体准确度差异，并训练稳健模型加以改进；基准测试18种基线，发现最优方法取决于用户目标。
延伸解读
选择性回归的基准测试启示
文章提到，通过对69个数据集的全面基准测试，基于非参数不确定性估计的选择性回归方法优于现有方法。这表明在实际应用中，如果数据异方差性明显，采用此类方法可能提升预测可靠性。但需注意，基准测试结果依赖于数据集特性，并非所有场景都适用。
共形预测与分位数回归的结合优势
文章介绍了一种将共形预测与分位数回归结合的新方法，能自适应异方差性，并在不做分布假设下构建有效覆盖的预测区间。相比其他共形方法，它效率更高、区间更短。对于需要精确不确定性量化的任务，如金融或医疗预测，这种方法可能更实用。
选择性分类的公平性风险
研究发现，在存在虚假相关时，选择性分类虽能提高平均准确度，却会放大不同群体间的准确度差异。这意味着在敏感应用（如招聘或信贷）中，直接使用选择性分类可能加剧偏见。但通过训练分布稳健模型，可以统一改进每个群体的准确性，这为公平性优化提供了方向。
没有普适最优方法
对18种基线模型的基准测试显示，最佳方法取决于用户目标，如选择错误率、覆盖率或分布外性能。因此，在实际部署时，应根据具体需求权衡不同指标，而非盲目追求单一最优。这提醒读者，方法选择需结合应用场景和优先级。
Q&A
选择性回归是什么？它主要解决什么问题？
选择性回归是一种在误差关键的机器学习应用中允许模型放弃预测（或选择性预测）的方法，旨在处理非参数异方差回归问题，通过假设检验条件方差值来决定是否放弃预测。
有哪些新方法提高了选择性回归的性能？
研究提出了利用模型非参数不确定性估计的选择性回归方法，在69个数据集上优于现有方法；还结合共形预测与分位数回归以适应异方差性，以及使用深度回归森林方差提高预测效率和覆盖率。
选择性分类在虚假相关下有什么影响？
在存在虚假相关性时，选择性分类可以提高平均准确度，但会放大不同群体之间的准确度差异。通过训练分布稳健模型，选择性分类可以统一改进每个群体的准确性。
共形预测如何与分位数回归结合？
一种新方法将共形预测和经典的分位数回归相结合，使其完全适应异方差性，并且在不做分布假设的情况下，建立具有有效覆盖率的预测区间，相比其他共形方法具有更高的效率和更短的预测区间。
选择性回归的基准测试结果如何？
通过对18种基线模型进行基准测试，比较了选择错误率、实证覆盖率、被拒绝实例类别分布以及在分布外实例上的性能等多个方面，结果显示没有一个明确的最佳方法，最好的方法取决于用户的目标。
如何理解选择性回归的动因？
研究使用可解释的人工智能技术对选择性回归的动因进行了理解，通过分析模型的不确定性估计和假设检验过程，揭示放弃预测的决策依据。
