协变量偏移下的反向保形预测

基于摘要分析。本文研究校准数据与测试数据存在协变量偏移时，如何为固定大小的预测集估计误覆盖率。作者将反向保形预测（Backward Conformal Prediction，BCP）扩展到重要性加权设置，并提出基于排序后非一致性分数向量估计密度比，以替代高维输入空间中的密度比估计。 机制与理论：传统 BCP 固定预测集大小，再报告其误覆盖率，但依赖校准数据与测试数据可交换的假设。作者报告，在密度比已知时，加权扩展保留相应保证；其紧致误覆盖率报告仅依赖分配给漏覆盖校准样本的相对权重，因此域分类器更准确并不必然意味着误覆盖率估计更准确。作者进一步报告，在一个可解释条件下，分数空间估计可渐近恢复相同报告，并刻画了条件不满足时的偏差；具体条件、保证形式与偏差表达式尚未验证。 实验：作者报告，在模拟分布偏移及基准分布偏移实验中，所提方法改善了 BCP 的误覆盖率估计，且基于分数的加权持续比基于嵌入的加权获得更准确的估计。摘要未提供数据集名称、样本规模、具体指标数值或划分协议，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 跨被试或跨会话变化可近似为协变量偏移，该机制可能用于评估固定大小分类预测集的不确定性，而非直接提高解码 Accuracy。可复用部分是分数空间密度比估计与加权 BCP；需适配 EEG 解码器的非一致性分数、校准流程及目标域数据使用方式。风险在于低信噪比、小样本和通道差异导致权重不稳定，或条件标签分布变化超出协变量偏移假设。一个可证伪的小实验是在严格分离的跨会话校准与测试数据上，对比未加权、分数加权和嵌入加权 BCP 的报告误覆盖率与实际误覆盖率偏差，并明确密度比估计可使用的目标域数据范围。已有 EEG 相关工作尚未检索确认。