样本高效的生成共形预测

生成共形预测从条件生成器的样本构建不确定性集，仅当样本很好地代表响应分布时，该不确定性集才有效。这可能需要许多样本，每个样本的成本都很高，就像在大型扩散模型和科学模拟器中一样，因此必须有效地利用抽样预算。现有方法在每个输入处抽取相同数量的样本，在响应分布简单的情况下浪费样本，在响应分布复杂的情况下采样不足，这会导致集合膨胀并使这些输入未被覆盖。我们提出了 CASA（适形自适应样本分配），它描述了附加样本的边际价值，并在输入之间分配样本，以最小化受边际覆盖范围和平均抽样预算影响的预期集合大小。理论分析表明，在相同的预算下，自适应分配会产生比固定计数更小的集合：错过的模式会迫使半径跨越模式之间的间隙，甚至预言机半径也无法补偿它。在合成任务和真实任务上，CASA 产生了大量 在相同的预算下设置更小的集合，通常可以提高条件覆盖范围，并补充现有的半径自适应方法。