Credal集

Credal集是一组概率分布的集合，用于表示学习器对损失分布的认知不确定性，源于imprecise probability理论。

在贝叶斯框架下，当先验信息不充分时，考虑所有合理先验所诱导的后验分布集合就构成一个Credal集。

与贝叶斯模型平均不同，Credal集保留了分布之间的分歧，使决策者能够区分共识区域与争议区域。

研究者提出了一种基于Credal集的方法，其学习器预测输出不再是单一概率分布，而是以Credal集形式呈现一组可能的分布。

研究者设计了一种新颖的决策规则，能够将每个Credal集映射为单一的预测分布，专门用于CVaR最小化，并在保守性与可用性之间取得平衡。

传统的鲁棒优化方法常假设分布偏移位于某个已知的不确定性集合内，而Credal集方法不依赖对偏移形式的强假设，直接对模型的认知不确定性进行建模。