LEC: Un Framework per il Controllo del Rischio Condizionato alla Selezione nelle Previsioni AI

Il framework LEC (Linear Expectation Constraints) recentemente introdotto affronta il problema delle risposte inaffidabili dei modelli fondamentali ridefinendo la previsione selettiva come una sfida decisionale vincolata da aspettative lineari riguardanti gli indicatori di selezione ed errore. Questo approccio gestisce efficacemente l'equilibrio tra gli errori accettati attesi e le previsioni accettate attese, che si allinea con la probabilità di errore marginale basata sulla selezione. Assumendo la scambiabilità, viene stabilita una condizione sufficiente per campioni finiti che dipende esclusivamente da un insieme di calibrazione separato, fornendo garanzie statistiche che una previsione accettata non supererà un livello di rischio specificato per la probabilità di errore. L'obiettivo di questo metodo è sostituire gli stimatori di incertezza euristici che differenziano in modo inadeguato tra output corretti e errati.