There is a newer version of the record available.

Published November 6, 2025 | Version v1

Intervalos de Confiança Conformes: Garantias de Cobertura em Cenários Não-Paramétricos

Description

A quantificação de incerteza é um desafio central em estatística e aprendizado de máquina, especialmente em cenários não-paramétricos onde as suposições sobre a distribuição dos dados são mínimas. A predição conforme (conformal prediction) emerge como um framework robusto para a construção de intervalos de predição com garantias de cobertura marginal teoricamente válidas, independentemente do algoritmo de aprendizado subjacente e da distribuição dos dados. Este artigo apresenta uma análise aprofundada dos intervalos de confiança conformes, detalhando sua fundamentação teórica baseada no princípio da permutabilidade (exchangeability). Exploramos as principais variantes do método, como a predição conforme completa (full) e a dividida (split), discutindo o trade-off entre eficiência computacional e rigor estatístico. A metodologia se concentra na definição de escores de não-conformidade e no cálculo de p-valores empíricos para derivar os intervalos. Os resultados demonstram que os intervalos conformes atingem a taxa de cobertura pré-especificada (e.g., 95%) em amostras finitas, uma propriedade que os métodos tradicionais, como os baseados em bootstrap ou em suposições assintóticas, frequentemente não conseguem garantir. Discutimos as implicações práticas dessas garantias, a eficiência dos intervalos (largura) e sua aplicabilidade em problemas de regressão e classificação, destacando seu potencial para aumentar a confiabilidade de modelos complexos de caixa-preta em domínios críticos.

Files

paper.pdf

Files (343.6 kB)

Name Size
md5:55758ae69235c2e18a9ac98cc42c2b2f
343.6 kB Preview Download