概述
保形预测包装任何模型以输出一个集合或区间，保证包含具有选定概率（例如 90%）的真实答案。它将单个猜测转变为具有数学覆盖承诺的可信范围。
保形预测是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。
深入探讨
大多数模型都会为您提供一个点预测或 Softmax 分数，看起来像置信度，但通常并非如此。共形预测解决了这个问题。您采用经过训练的模型，使用不合格度量（例如，误差或一减去预测概率）对每个示例的“奇怪”程度进行评分，并在保留的校准集上计算这些分数。为了预测新点，您需要包含不合格分数不低于校准分数大约第 90 个百分位数的每个标签。结果是一个预测集，可能是几个用于分类的标签或一个用于回归的区间。标题保证是无分配的：只要您的数据是可交换的，无论您使用哪种基础模型，该集合都以所选速率覆盖真实价值。
技术洞察
核心技巧是可交换性加上分位数。对于 n 个校准分数，阈值是这些分数的 (n+1)(1-alpha)/n 分位数的上限。由于新点的分数同样有可能落在校准分数中的任何排名，因此它超过阈值的概率至多为 alpha。该论证不需要对模型或数据分布进行假设，只需假设这些点可以按顺序互换。
掌握共形预测
保形预测包装任何模型以输出一个集合或区间，保证包含具有选定概率（例如 90%）的真实答案。它将单个猜测转变为具有数学覆盖承诺的可信范围。保形预测是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。为了建立深入的理解，请将共形预测视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用保形预测的强大团队根据可靠性和成本优化架构、数据和基础设施选择。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
多年来，架构决策决定着性能和运营成本。与此同时，优化一个基准测试可以隐藏更广泛的系统弱点。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
多年来，架构决策决定着性能和运营成本。
多年来，架构决策决定着性能和运营成本。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
更好的工程选择可以减少生产中的可靠性事故。
更好的工程选择可以减少生产中的可靠性事故。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
当不确定时，皮肤病变分类器会返回集合{黑色素瘤，痣}，提示皮肤科医生进行审查，而不是单个过度自信的标签。
房价模型输出 31 万美元至 36.5 万美元的区间，保证在 90% 的买家谈判时间内包含销售价格。
LLM 问答系统会附加一小部分候选答案并提供覆盖率保证，将大量候选答案标记为需要人工审核的案例。
药物毒性筛选管道会发出预测区间，以便化学家知道哪些化合物具有可靠的窄估计值，哪些化合物具有不确定的估计值。
实施模式
实践中的共形预测
当不确定时，皮肤病变分类器会返回集合{黑色素瘤，痣}，提示皮肤科医生进行审查，而不是单个过度自信的标签。
皮肤病变分类器在不确定时会返回{黑色素瘤、痣}集合，促使皮肤科医生进行审查，而不是过于自信的标签。当团队预先定义质量阈值、为边缘情况保留人性化的升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
实践中的共形预测
房价模型输出 31 万美元至 36.5 万美元的区间，保证在 90% 的买家谈判时间内包含销售价格。
房价模型输出的区间为 31 万美元至 36.5 万美元，保证在 90% 的买家谈判时间内包含售价。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
实践中的共形预测
LLM 问答系统会附加一小部分候选答案并提供覆盖率保证，将大量候选答案标记为需要人工审核的案例。
LLM 问答系统会附加一小部分候选答案并提供覆盖率保证，将大量候选答案标记为需要人工审核的案例。当团队预先定义质量阈值、为边缘案例保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的共形预测
药物毒性筛选管道会发出预测区间，以便化学家知道哪些化合物具有可靠的窄估计值，哪些化合物具有不确定的估计值。
药物毒性筛选流程会发出预测区间，以便化学家知道哪些化合物具有可靠的窄估计值，哪些化合物具有不确定的估计值。当团队预先定义质量阈值、为边缘情况保留人为升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
优化一项基准测试可以隐藏更广泛的系统弱点。
基础设施和维护成本常常被低估。
随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
实施路线图
在实施之前定义延迟、质量和成本目标。
在实施之前定义延迟、质量和成本目标。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在实际负载和数据条件下进行基准测试。
在实际负载和数据条件下进行基准测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
仪器监控错误、漂移和用户影响。
仪器监控错误、漂移和用户影响。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在扩展之前准备回滚和事件响应路径。
在扩展之前准备回滚和事件响应路径。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。