精选理由
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。
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。
AI 翻译 · 中文
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。
Neuro-Symbolic Concept-based Models (NeSy-CBMs) are a family of architectures that integrate neural networks with symbolic reasoning for enhanced reliability in high-stakes applications. They work by first extracting hig…