19、基于共形预测的样本高效安全保证

基于共形预测的样本高效安全保证

在机器人应用中，安全保证至关重要。传统的统计学习方法在某些场景下存在局限性，而共形预测为解决这些问题提供了新的思路。本文将深入探讨共形预测在机器人安全保证中的应用，包括其原理、算法以及与传统学习方法的比较。

共形保证的适用性

共形保证的实用性取决于具体应用。以驾驶员警报系统为例，对于单个驾驶员来说，碰撞是罕见事件，大多数驾驶员不会遇到多次碰撞。因此，无需过多担心碰撞之间警告失败的相关性。共形保证能为很少遇到多次失败的个体用户提供信心。

然而，对于拥有大量车队的公司来说，共形保证可能提供的信心较少。如果一次警告失败增加了下一次警告失败的概率，就可能出现多次同时失败的情况。但这并非方法的局限，而是较弱假设（非独立同分布）的必然结果。在大多数机器人应用中，由于数据通常是时间序列或顺序决策设置，相邻时间步的数据是相关的，不满足独立同分布假设，因此较弱的假设是必要的。尽管缺乏正式保证，但实证证据表明，在实际应用中很少出现同时失败的情况。

主要贡献

本文的贡献主要有四点：
1. 引入了一种新的安全保证概念，适用于多种用例，且具有极高的样本效率。
2. 展示了如何将共形预测这一统计推断工具应用于机器人应用。
3. 建立了一个将共形预测应用于机器人安全的框架。
4. 在驾驶员警报安全系统和机器人抓取系统上进行了实验验证，表明共形保证在实际应用中有效，且不会发出过多的误报警报（例如，在许多设置中误报率低于 1%）。

共形预测概述

共形预测是一种可以生成预测集的方法，使得真实标签以高概率属于预测集。其标准形式需要两个组件：验证数据序列和非一致