OPAL：預測輔助推理的優化標籤資源分配

研究論文提出 OPAL（Optimized Policy for Allocation of Labels）方法，用於解決主動統計推論框架中的挑戰。主動統計推論使用黑盒機器學習模型來策略性標記數據點，優先處理模型不確定性高的樣本，但當不確定性估計有噪音時，框架可能脆弱。OPAL 學習一個平滑策略類中的標籤策略，以產生最低變異的估計器。作為一個端到端管道，它將模型的不確定性分數轉化為數據自適應的標籤策略，然後對收集的樣本進行統計推論。研究評估了 OPAL 在多個真實數據集上的表現，包括醫學影像數據、計算社會科學和蛋白質組學。具體而言，在乳腺癌亞型預測中，OPAL 用於為不同人口統計組形成有效的置信區間。結果顯示，OPAL 在有限樣本中實現標稱覆蓋率，並具有與使用更多標記樣本方法相當的準確性，展示了其在資源受限情況下的實用價值。