什么是 保形预测（Conformal Prediction）？
保形预测（Conformal Prediction）也称共形预测，是一种模型无关统计框架；它在 Exchangeability 等已声明假设下，把点预测或模型分数转换为具有有限样本边际覆盖保证的预测集合或区间。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
冻结 Score、数据切分与分位数约定
保形契约应包含基础模型与预处理、训练和校准切分、Nonconformity Score、目标 Miscoverage alpha、修正经验分位数、Tie 处理、输出构造与评测切片。使用训练残差做校准不符合普通 Split Conformal 协议。Angelopoulos 与 Bates 教程推导了有限样本修正，并覆盖回归区间、分类集合、Conditional Diagnostic 与 Distribution Shift。
Coverage 必须与信息效率共同评测
让区间覆盖所有数值或让集合包含所有类别，就能轻易满足 Coverage，因此只报告覆盖率没有意义。还应报告经验覆盖率及其不确定性、平均与 Tail Interval Width、Prediction-set Size、Singleton 与 Empty-set Rate、延迟和下游效用，并按类别、语言、难度、来源和时间切片。普通 Marginal Guarantee 不提供每个特征值的 Conditional Coverage，总体达标仍可能伴随严重子群失败。
监控 Exchangeability 并在漂移后重新校准
时间依赖、反馈循环、主动采样、策略变化、类别基础率迁移和传感器变化，都可能破坏或削弱 Exchangeability 论证。保留按到达顺序的标签，监控滚动 Coverage，并在发布前定义刷新与 Fallback 规则。当前 MAPIE 文档分别实现预测区间与集合、Risk Control、Conditional Method 和 Exchangeability Test；这些扩展拥有不同假设，不能描述成普通 Split Conformal 保证。
主要特点
- 可包装多种既有预测器，无需假设参数化结果分布
- 使用独立校准集上的 Nonconformity Score 与修正经验分位数
- 为回归生成预测区间，为分类生成标签集合
- 在 Exchangeability 假设下提供有限样本 Marginal Coverage
- 不自动提供单样本、条件、子群或漂移分布覆盖保证
- 必须在 Coverage、区间宽度、集合大小、延迟和下游效用之间权衡
常见用途
- 为回归预测增加可控制覆盖率的区间
- 为不确定分类案例返回可能标签集合
- 量化文档、图像或语音模型输出周围的不确定性
- 集合过大或区间过宽时触发 Abstention 或人工复核
- 按时间、语言、来源或用户群切片审计 Coverage Drift
示例
Loading code...常见问题
保形预测提供什么保证？
在声明的保形流程下，并且校准样本与未来样本满足 Exchangeability 时，真实结果以至少目标边际概率落入预测集合或区间。它不是单个输入一定正确的保证。
Distribution-free 是否表示保形预测适用于任意漂移？
不是。Distribution-free 表示不需要参数化结果分布；普通保证仍依赖 Exchangeability 或其他明确论证。时间依赖、反馈、策略变化和人群迁移需要专门方法与监控。
保形预测和概率校准有什么区别？
概率校准让数值概率匹配真实频率；保形预测根据 Nonconformity Score 的排序构造具有 Coverage Guarantee 的集合或区间。基础概率不必先校准，保形输出也不自动等于概率。
如何评估保形预测？
报告带不确定性的经验 Coverage，并结合 Interval Width 或 Set Size、Singleton 与 Empty-set Rate、Latency 和任务效用；再按类别、语言、来源、难度、子群和时间切片，避免总体覆盖率掩盖局部失败。
保形预测可以用于 LLM 吗？
可以包装具有明确 Score 与结果空间的任务，构造答案集合、风险受控检索或 Abstention 策略；但必须声明校准数据和 Exchangeability 假设。它本身不能认证自由文本真实性、安全性或授权。