Il prossimoProssima guida
Streaming speculativo e previsione multi-token
Tecnico
GUIDA TECNICA
La previsione conforme avvolge qualsiasi modello per produrre un insieme o un intervallo che garantisce di contenere la risposta vera con una probabilità scelta, come il 90%.
Ascolta questa guidaNarrato dall'IA · ~2 min
Trasforma una sola scommessa in una linea affidabile con una promessa di copertura matematica.
La maggior parte dei modelli ti fornisce una previsione di punti o un punteggio softmax che sembra sicuro ma spesso non lo è. La previsione conforme risolve questo problema. Prendi un modello addestrato, valuta quanto "strano" è ogni esempio utilizzando una misura di non conformità (ad esempio, l'errore o uno meno la probabilità prevista) e calcoli quei punteggi su un set di calibrazione trattenuto. Per prevedere un nuovo punto, si includono tutte le etichette il cui punteggio di non conformità non è peggiore di circa il 90° percentile dei punteggi di calibrazione. Il risultato è un insieme di previsioni, eventualmente diverse etichette per la classificazione o un intervallo per la regressione. La garanzia principale è esente da distribuzione: finché i tuoi dati sono scambiabili, il set copre il valore reale al tasso scelto, indipendentemente dal modello sottostante utilizzato.
Un classificatore di lesioni cutanee restituisce l'insieme {melanoma, nevo} in caso di dubbi, richiedendo una revisione da parte di un dermatologo invece di una singola etichetta troppo sicura.
Un modello di prezzo delle case produce un intervallo di $ 310.000-$ 365.000 garantito per contenere il prezzo di vendita per il 90% delle volte per le trattative con l'acquirente.
Un sistema di risposta alle domande LLM allega un piccolo insieme di risposte candidate con una garanzia di copertura, contrassegnando insiemi di grandi dimensioni come casi che necessitano di revisione umana.
Una pipeline di screening della tossicità dei farmaci emette intervalli di previsione in modo che i chimici sappiano quali composti hanno stime attendibili ristrette rispetto a quelle incerte.
La ricerca sta spingendo oltre il requisito di scambiabilità verso serie temporali e distribuzioni mutevoli, utilizzando metodi conformi adattivi e ponderati che regolano le soglie online. La copertura condizionale, che garantisce il mantenimento del tasso per ciascun sottogruppo anziché solo per la media, è un’importante frontiera aperta. Aspettatevi che strati conformi vengano spediti all’interno di pipeline LLM, strumenti di triage medico e sistemi autonomi poiché i regolatori richiedono sempre più incertezza calibrata e verificabile piuttosto che semplici previsioni.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
La previsione conforme avvolge qualsiasi modello per produrre un insieme o un intervallo che garantisce di contenere la risposta vera con una probabilità scelta, come il 90%. Trasforma una singola ipotesi in un intervallo affidabile con una promessa di copertura matematica.
La previsione conforme restituisce un insieme (classificazione) o un intervallo (regressione) progettato per contenere il valore vero a una velocità scelta come il 90%.
La garanzia si basa sulla scambiabilità, il che significa che la distribuzione congiunta rimane invariata riordinando i punti. Non è necessaria alcuna ipotesi sul modello.
I punteggi di non conformità vengono calcolati sul set di calibrazione conservato e il loro quantile determina quali etichette includere per i nuovi punti.
La copertura è uguale a 1 meno alfa, quindi alfa = 0,1 mira a una copertura del 90% del valore reale.
Gli input più difficili producono più etichette i cui punteggi scendono sotto la soglia, quindi insiemi più grandi segnalano una maggiore incertezza.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Streaming speculativo e previsione multi-token
Tecnico