通过神经算子学习实现函数空间中的分割保形预测

基于摘要分析。本文研究神经算子对函数值输出进行不确定性量化时，如何获得有限样本覆盖保证，提出“先离散化、再提升”的分割保形预测构造。主要贡献是将离散输出空间中的覆盖保证在特定假设下提升至函数空间，并处理分辨率变化带来的校准问题。 方法首先利用输出函数空间的离散化映射，在有限维空间建立覆盖保证，再依赖连接离散范数与连续范数的双 Lipschitz 离散化假设，将保证提升至函数空间。因此，保证的适用范围取决于该假设是否成立，不能直接理解为对任意连续函数输出均有无条件保证。作者将保形半径分解为离散化、校准和模型失配三个部分，并据此提出基于回归的修正，以在不同分辨率之间迁移校准。此外，作者提出 conformal ensemble score 和 internal agreement 两项诊断指标，用于量化自回归预测中的性能退化。 作者报告，在摘要所述的分辨率变化实验中，方法能够维持校准覆盖且覆盖表现的波动更小，并在超分辨率任务中改善覆盖。摘要未给出具体任务、数据集、对照方法、覆盖率、区间或集合宽度等信息，尚不能判断覆盖改善与预测集合大小之间的权衡；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将多通道 EEG 时空信号预测或重建建模为函数到函数映射，该框架可能用于研究采样分辨率变化下的预测集合校准，而非直接改进 BCI 分类。可复用部分是保形校准和分辨率修正；需改造函数表示、离散化映射及范数，并核对校准数据与测试数据的交换性条件。低信噪比、跨被试分布变化、通道缺失和小规模校准集可能使校准迁移失效。一个可检验的小实验是固定被试内训练、校准与测试划分，比较不同采样分辨率下修正前后的覆盖率和预测集合宽度；原文是否已有 EEG 相关验证尚未检索确认。