样本高效的生成式共形预测

基于摘要分析。本文研究生成式共形预测中如何高效使用条件生成器的采样预算，提出 CASA（Conformal Adaptive Sample Allocation），根据额外一个样本的边际价值，在不同输入之间自适应分配样本，以在边际覆盖率和平均采样预算约束下最小化期望预测集合大小。 核心机制是调整每个输入的采样数量，而非对所有输入采用固定数量。作者指出，固定分配可能在响应分布简单的输入上浪费预算，在复杂输入上采样不足，导致预测集合膨胀及局部覆盖不足。作者报告，理论分析表明：相同平均预算下，自适应分配能够得到更小的预测集合；遗漏分布中的某个模态会迫使集合半径跨越模态之间的间隔，即使采用 oracle 半径也无法补偿这种遗漏。边际价值的具体计算、分配算法及理论成立条件尚未验证。 作者报告，在合成与真实任务上，CASA 在相同采样预算下显著缩小预测集合，且经常改善条件覆盖率，并可与已有半径自适应方法互补。摘要未提供任务名称、数据划分、预算数值、集合大小或覆盖率数值；实验协议、消融及统计信息尚未验证。边际覆盖率约束不应被理解为对每个输入均有条件覆盖保证。 平台推测（待验证）：若 EEG 任务已具备可采样的条件生成器，并用生成样本构造预测集合，CASA 可能用于减少重复采样成本。可复用的是采样预算分配思路，需改造的是 EEG 条件生成器、响应空间及共形校准流程。该假设依赖生成样本能反映真实响应分布；低信噪比、跨被试或通道变化，以及小规模校准数据，可能使样本边际价值估计不稳定。一个可检验的小实验是在固定生成器、相同校准划分与平均采样预算下，对比固定采样数量与 CASA 的集合大小、边际覆盖率及分被试覆盖率。已有 EEG 相关工作尚未检索确认。