反向保形预测

反向保形预测（BCP）是一种固定预测集大小、转而估计误覆盖率的方法。

传统BCP假设校准数据与测试数据是可交换的，这在实际应用中往往不成立。

近期一项研究将BCP扩展到共变量偏移场景，通过重要性加权保持其理论保证。

直接应用BCP在共变量偏移下会导致误覆盖率估计出现偏差。

当密度比已知时，BCP的误覆盖率保证可以保持。

BCP的紧致误覆盖率报告仅依赖于分配给被遗漏校准样本的相对权重。

一个更好的域分类器有时反而会产生更差的误覆盖率估计。

所提方法整体上改善了BCP在共变量偏移下的误覆盖率估计性能。