ml-stat-Sustech/TorchCP

解决的问题

TorchCP 为深度学习中的置信预测（CP）提供了一个标准化的工具箱。它通过生成预测集（用于分类）或区间（用于回归），在用户指定的概率下保证包含真实标签，无论底层模型架构如何，从而解决了模型预测不确定性量化的问题。

工作原理

基于 PyTorch 并利用 GPU 加速，TorchCP 实现了广泛的置信预测方法。它支持训练后方法（在模型训练完成后应用）和训练时方法（将 CP 集成到损失函数或训练过程中）。该库按任务类型组织，为不同模态提供专用的评分函数和预测器。

适用人群

专为需要对深度学习模型进行严格不确定性量化的研究人员和实践者设计，尤其适用于从事分类、回归、图神经网络（GNN）和大语言模型（LLM）工作的人员。

主要亮点

• 广泛的任务支持：实现分类、回归、图神经网络（GNN）和大语言模型（LLM）的 CP 方法。
• 多样的方法论：包含训练后和训练集成型置信预测方法。
• GPU 加速：利用 PyTorch 实现高性能计算。
• 丰富的实现：整合了 NeurIPS、ICML、ICLR 等顶级会议中的众多前沿方法。
• 高可靠性：保持 100% 的单元测试覆盖率。