复杂场景下的共型预测理论及方法

Abstract:   共型预测为复杂机器学习模型提供了严谨的不确定性量化理论，无需强分布假设。然而，在参数调优和在线标签噪声等复杂场景下，保证其有效性和鲁棒性仍具挑战。本报告介绍近期应对这些挑战的两项工作。第一项工作系统量化了复用校准集进行参数调优引入的“调优偏差”，揭示了其中的缩放定律，并提出缓解策略。第二项工作聚焦在线标签噪声设定，提出了一种噪声鲁棒的在线共型预测方法 (NR-OCP)，通过新颖的“鲁棒 Pinball 损失函数”实现带噪环境下pinball 损失函数的无偏估计，有效消除了噪声引起的覆盖率偏差，显著提升了在线预测在噪声环境下的可靠性。这些研究共同推动了共型预测在更具挑战性的现实场景中的应用。

CV:   魏鸿鑫，南方科技大学统计与数据科学系助理教授，其主要研究方向为可靠机器学习和不确定性估计，及其在数据优化与隐私中的应用。他的研究致力于使机器学习模型能够通过概率值或预测集大小来准确表达预测中的不确定性。魏鸿鑫老师于2023年在新加坡南洋理工大学完成博士学位， 于2016年在华中科技大学获得本科学位。 他曾在清华交叉信息研究院担任研究助理，读博期间曾在美国威斯康辛大学麦迪逊分校进行研究访问。他近五年在 ICML, NeurIPS, TKDE 等 CCF A 类顶级国际会议或期刊上发表学术论文近四十篇。其目前受邀担任机器学习顶会 ICML、NeurIPS 领域主席和IJCAI 高级程序委员会委员，并在TPAMI, IJCV，JMLR等顶级期刊担任审稿人。