10:59arXiv cs.LG@Samuele Bortolotti, Emanuele Marconato, Andrea Pugnana, Andrea Passerini, Stefano Teso精选神经符号概念模型(NeSy-CBMs)结合神经网络与符号推理,适用于高风险场景,但其预测可能过于自信。研究者引入共形预测(CP)框架,提出三个理想目标:一致性、覆盖率和简洁性。现有方法无法同时满足这些目标,因此他们提出COCOCO,一种事后框架,联合共形化概念和标签,并通过演绎-溯因修正步骤协调两者。COCOCO满足所有三个目标,保持无分布覆盖率,对不完美知识具有鲁棒性,并支持用户指定的大小预算。在8个数据集上的实验表明,COCOCO在性能和集合大小方面优于竞争对手和基线方法。论文共形预测神经符号模型概念模型可解释AICOCOCO推荐理由:这项研究解决了高风险AI应用中模型过度自信的痛点,做可解释AI或安全关键系统的团队可以直接参考COCOCO框架来提升预测可靠性。原文