arXiv stat.ML· Sunny Yang, Weiyan Zhao·· 5 小时前AI 评分12
竞争风险下共形校准何时需要删失权重？失效原因预测集研究
When does conformal calibration need censoring weights? Cause-of-failure prediction sets under competing risks
AI 导读
针对竞争风险标签的拆分共形预测集，完整案例校准在名义 0.900 下仅覆盖 0.8723（22% 受试者在预测期内无事件）。在 48 组额外设计中，有 4 组完整案例覆盖率低于名义值至少四个标准误，而正确设定的删失模型权重可将覆盖率维持在名义水平附近。研究将 Yi et al. (2025) 的论证扩展到原因标签，建立了带删失模型误差显式惩罚的有限样本覆盖下界，删失模型设定错误同样会导致覆盖不足。
来源：arXiv stat.ML · arxiv.org