Conformal Prediction 集合量化信息增益：理论视角

基于摘要分析。研究关注 conformal prediction 的预测集合大小为何能够表征不确定性，并为新增信息引起的集合大小缩减建立信息论基础。作者以适用于集合值预测的决策论广义熵为出发点，提出基于预测集合大小与覆盖率的一族广义信息量，将其与 Shannon mutual information 联系起来。 理论机制：作者给出 Shannon mutual information 关于上述信息量的精确积分表示。在标准分类情境下，作者进一步报告，新增信息带来的 conformal 集合大小缩减可由该信息量族中依赖校准的成员给出上下界，并满足数据处理不等式；后两项结论均需计入有限样本校准与模型误差项。因此，这些结论不是无条件地将集合大小缩减等同于 Shannon mutual information，而是说明两者之间存在有条件的理论联系。 实证部分：作者报告在 11 种分类设置中验证理论，并在贪心特征选择实验中发现，集合大小缩减与 Shannon mutual information 可能给出不同的特征排序。摘要未提供具体数据集、划分、覆盖水平、模型与数值结果；实验协议、消融及统计信息尚未验证。复现时需核对广义信息量的定义、理论适用条件，以及校准误差和模型误差项的计算方式。 平台推测（待验证）：假设将该框架用于 EEG 分类，可研究新增通道或特征是否通过缩小预测集合提供任务相关信息，而不只观察 Accuracy。可复用的是集合大小与覆盖率的联合评价思路；需适配 EEG 分类器、校准流程及被试间分布变化。低信噪比、小样本和跨被试失配可能使集合大小变化受模型误差或覆盖偏离主导。一个可检验的小实验是在固定被试内数据划分、分类器和目标覆盖率下，逐步加入通道，比较集合大小缩减、实际覆盖率与特征排序的稳定性。该迁移不属于摘要已验证结果，已有 EEG 相关工作尚未检索确认。