Cet article aborde le problème de la prédiction conforme sous décalage de covariables. Étant donné des données étiquetées dans le domaine source et des données non étiquetées dans le domaine cible décalé de covariables, nous cherchons à construire un ensemble de prédictions présentant une couverture marginale valide dans le domaine cible. La plupart des méthodes existantes nécessitent l'estimation d'une fonction de rapport de vraisemblance inconnue, ce qui peut s'avérer difficile pour les données de grande dimension telles que les images. Pour résoudre ce problème, nous proposons un algorithme de régression quantile non régularisée par vraisemblance (LR-QR) qui combine la perte de type « pinball loss » et une nouvelle méthode de régularisation pour construire une fonction de seuil sans estimer directement le rapport de vraisemblance inconnu. Nous montrons que la méthode LR-QR atteint le niveau de couverture souhaité dans le domaine cible jusqu'à un faible terme d'erreur contrôlable. La preuve repose sur l'analyse de la couverture par des bornes de stabilité en théorie de l'apprentissage. Les résultats expérimentaux montrent que l'algorithme LR-QR surpasse les méthodes existantes sur les tâches de prédiction de grande dimension, notamment les tâches de régression sur l'ensemble de données « Communautés et Criminalité », les tâches de classification d'images sur le référentiel WILDS et les tâches de questions-réponses LLM sur le benchmark MMLU.
