缩放全共形图像分类器

共形预测提供具有无分布覆盖保证的集值预测，这使其对高风险图像分类具有吸引力。然而，分割共形预测的数据效率较低，而完全共形预测（FCP）尽管具有更强的统计效率，但在大规模计算上却令人望而却步，因为它需要在测试时对特定于候选的模型进行修改。我们通过利用零样本视觉语言模型 (VLM) 来指导大型标签空间中的可扩展 FCP 来解决此限制。我们引入了目标完全保形预测（T-FCP），它使用轻量级归纳保形预测器来修剪不太可能的标签，并将 FCP 仅应用于剩余的候选者，减少计算，同时保留组合保形过程的形式保证。我们进一步提出了稳定在线 LDA (SO-LDA)，这是一种基于秩一逆协方差更新的高效 VLM 自适应求解器。在包括 ImageNet 在内的多个基准测试中，T-FCP 能够以适度的测试时间开销实现实用的全保形图像分类，从而产生高效的预测集和比分割保形替代方案更稳定的经验覆盖范围。