基于Copula的异构多任务学习优先性保形预测方法

这篇研究创新性地提出CHAMELEON-C方法，通过Copula（耦合函数）将保形预测（CP）拓展至异构多任务学习（MTL）场景，首次实现分类（离散集）与回归（连续区间）预测的联合有效性验证。该方法允许对自动驾驶等安全关键场景中的特定输出（如障碍物位置）进行可靠性优先级配置，实验证明其在多类别目标检测任务中能同时满足置信度要求与预测信息量保留。

　　

Highlight

本研究首次将基于Copula的保形预测应用于离散与连续预测的联合推断：CHAMELEON-C（基于Copula的异构自适应多任务保形模型）。该方法在自动驾驶安全领域的目标检测基准测试中验证了有效性，但同样适用于时间序列多步预测、医学图像分析等需处理混合类型输出的场景。

Conclusion

通过开发CHAMELEON-C方法，我们实现了异构（离散+连续）预测集的同步有效性验证。该方法在自动驾驶目标检测中展现了处理分类与边界框回归联合任务的能力，其核心创新在于：1）通过Copula建模任务间依赖性；2）支持关键属性（如障碍物宽度）的置信度优先配置；3）利用绝对深度估计生成自适应预测区域。未来可拓展至医疗诊断等需多模态输出的领域。

注：翻译保留了原文技术术语（如Copula、CHAMELEON-C）及专业表述风格，采用生命科学领域常见的"有效性验证""自适应预测"等措辞，并通过括号备注关键缩写。小标题格式与原文一致，去除了文献引用标记。