今晚直播 | ICML 2021论文解读：基于Cox-MLP模型的二阶段共形预测

「AI Drive」是由 PaperWeekly 和 biendata 共同发起的学术直播间，旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为，单向地输出知识并不是一个最好的方式，而有效地反馈和交流可能会让知识的传播更加有意义，从而产生更大的价值。

本期 AI Drive，我们邀请到清华大学交叉信息研究院博士生滕佳烨，为大家在线解读其发表于 ICML 2021 的最新工作：T-SCI: A Two-Stage Conformal Inference Algorithm with Guaranteed Coverage for Cox-MLP。对本期主题感兴趣的小伙伴，7 月 20 日（周二）晚 7 点，我们准时相约 PaperWeekly B 站直播间。

直播信息

在删失数据中，我们只能得到生存时间的不完全信息，而不能得到生存时间的确切值。幸运的是，在线性假设下，人们可以使用 Cox 回归等方法获得生存时间的区间估计。然而，当使用神经网络放松线性假设时（如 Cox-MLP），该区间估计将失去理论保证。 

为了在没有线性假设的情况下重新获得有理论保证的区间估计，我们提出了两种基于共形预测的算法。在第一个算法 WCCI 中，我们重新考虑加权共形预测，并引入一个新的基于部分似然的 score。而后我们提出了两阶段共形预测算法 T-SCI，其中我们在第一阶段运行 WCCI，并应用分位数共形推理来校准第二阶段的结果。理论分析表明，与 WCCI 相比，在较温和的假设下，T-SCI 能够得到几乎完美的覆盖保证。我们用不同的方法对模拟数据和真实数据进行实验，从而验证了我们的分析。

论文标题：

T-SCI: A Two-Stage Conformal Inference Algorithm with Guaranteed Coverage for Cox-MLP

论文链接：

https://arxiv.org/abs/2103.04556

本次分享的具体内容有： 

• 背景介绍：对 Cox-MLP 模型与共形预测的基本介绍

• 研究动机：对 T-SCI 算法的介绍

• 理论结果：为该算法提供理论上界与下界的保证

• 实验结果：展示在模拟数据集与现实数据集中的实验结果

• 工作总结：总结与展望

嘉宾介绍

 滕佳烨 / 清华大学博士生 

滕佳烨，清华大学交叉信息研究院一年级博士生，导师为袁洋助理教授。主要研究方向是神经网络泛化理论，以及统计理论与机器学习的结合，包括因果推断、共形预测等。

直播地址 & 交流群

本次直播将在 PaperWeekly B 站直播间进行，扫描下方海报二维码或点击阅读原文即可免费观看。线上分享结束后，嘉宾还将在直播交流群内实时 QA，在 PaperWeekly 微信公众号后台回复「AI Drive」，即可获取入群通道。

B 站直播间：

https://live.bilibili.com/14884511

合作伙伴

????

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。