面向有效子群可靠性的随机分组保形预测

基于摘要分析。本文研究标准保形预测的总体覆盖率保证无法确保各子群同等可靠的问题，提出 Stochastic Grouping Conformal Prediction（SGCP），通过学习随机分组映射，让样本借助校准行为相似的其他样本进行不确定性校准。 核心机制是利用随机分组形成局部校准分数分布，而非仅按预定义子群分别校准。作者指出，预定义分组可能依赖敏感子群属性，并面临“最差子群瓶颈”：保护最难覆盖的子群可能使所有样本的预测集合变大。SGCP 旨在兼顾子群可靠性与预测集合大小；随机映射的输入、学习目标、校准与推理流程，以及是否需要敏感属性，尚未验证。 作者报告证明了 SGCP 保留标准覆盖率保证，但摘要未给出定理条件，不能将其解读为对每个子群均提供严格覆盖率保证。作者报告，在合成及真实世界基准上，相对现有基线，SGCP 持续缩小子群覆盖差距，同时获得更小或相近的预测集合。具体数据集、子群定义、数据划分、对照方法、指标数值、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能用于 EEG 分类中总体校准良好但被试或会话间覆盖不均的问题。可复用的是随机分组与局部校准思路，需改造的是 EEG 特征及校准分数接口，并核对校准样本与测试样本的交换性条件。低信噪比、跨被试漂移、通道差异和小规模校准集可能使分组不稳定或局部估计不足。可检验的小实验是在固定 EEG 分类器及相同校准预算下，对比标准保形预测、预定义分组校准与 SGCP，分别评估总体及各被试覆盖率、覆盖差距和预测集合大小；不得将不同划分协议的结果直接比较。已有 EEG 相关工作尚未检索确认。