SelPI把预测、区间与弃权放进同一次训练：宽度阈值在18个表格数据集上被证明会挑错样本
核心概要
回归模型在高风险决策中需要同时给出点估计、风险区间和弃权选项，而此前区间方法与选择性预测各自只提供其中一部分。SelPI把区间头、取值头和两个弃权门放在同一个损失下联合训练，并用Fréchet惩罚把两个门的预算与联合接受率绑定。在18个表格基准上，区间宽度能较好预测大的点误差，却与区间未命中呈负相关，因此按宽度弃权会丢掉区间本来正确的输入；固定基础预测器后，学到的门在全部18个表格数据集上按区间评分优于宽度阈值，并随任务异方差性增强而扩大优势。
深度剖析
SelPI让一个回归模型在一次前向中同时给出区间、区间内的点估计和是否作答的决定，弃权由两个分别针对区间未命中与取值位置误差的门共同决定。 此前预测区间方法对每个输入都作答，选择性预测方法只对点预测学习弃权，接受集上不带风险陈述。 在18个表格基准上，区间宽度对大的点误差有较好的排序能力，但与区间未命中呈负相关，说明按宽度弃权会系统性地丢掉区间正确的输入。
两个门各自用自己负责的损失训练，并各带一个接受预算，输入只有同时被两门接纳才作答。 单一门必须用一个标量同时编码两种失败模式，两者的平衡由损失权重隐式决定，而不是由决策者设定。 Fréchet惩罚在两个门的联合接受率低于其预算所隐含的下限时触发，把两个独立预算与实际交付的联合接受率绑定；在固定基础预测器下，学到的门在全部18个表格数据集上按合适的区间评分优于宽度阈值，并缩小了与理想选择器差距的中位数。
启示与展望
演示范围是18个表格回归数据集与IPIV的两个图像任务，其中骨龄任务只有单一200张图像的测试划分，被视为示意性结果，IMDB-WIKI用五折交叉验证作为可靠的图像基准；接受集不带有限样本覆盖保证，弃权决定应读作预测难度的学习信号，而非安全性认证。
优势随残差异方差性增强，在接近确定性的任务上消失，IMDB-WIKI上单门在五个可比接受率中的三个更好；分布偏移分析用已知误差挑选协变量尾部，因此不能声称优势随偏移严重程度增长，也未覆盖图像任务。