Post-selection Inference for Conformal Prediction: Trading off Coverage for Precision
本文提出同时共形推断方法,解决数据相关误覆盖率下的选择后推断问题,允许在保持有限样本保证的同时灵活权衡覆盖概率与预测集质量。
2023-06-30 stat.ME stat.ML
Enhancing Statistical Validity and Power in Hybrid Controlled Trials: A Randomization Inference Approach with Conformal Selective Borrowing
本文提出随机化推断框架结合共形选择性借用方法,在混合对照试验中实现有限样本精确的第I类错误率控制并提高检验效能,通过理论分析、模拟和肺癌试验应用验证其有效性。
2025-05-07 stat.ME
Conformalized Method for Empirical Bayes Normal Mean Inference Problem with Heteroscedastic Variance
Seoul National University(首尔大学)
本文提出COIN算法,解决正态均值推断问题,不依赖先验正确性或估计准确性,理论证明其能控制虚无发现率,通过数据分割策略提升实用性。
2026-04-02 stat.ME
Conformal inference for random objects
本文提出一种用于分析一般度量空间中对象值响应的保形推断工具包,通过引入条件轮廓平均传输成本作为一致性得分构建预测集,并证明其收敛性、渐近有效性及在覆盖率和预测集大小上的优越性。
2025-06-28 stat.ME
The Interplay between Bayesian Inference and Conformal Prediction
MEMOTEF, Sapienza Università di Roma(罗马大学MEMOTEF中心);MRC – Biostatistics Unit, University of Cambridge(剑桥大学MRC生物统计学单位)
本文探讨了贝叶斯推断与符合预测的结合,提出通过校准贝叶斯可信集来增强符合预测的频繁性保证,并分析了两者在有效性与效率间的平衡。
2025-10-30 stat.CO stat.ME
Adaptive Conformal Inference Under Distribution Shift
Stanford University(斯坦福大学)
我们开发的方法,形成预测集的在线设置中的数据生成分布允许随时间变化,在一个未知的方式。我们的框架建立在共形推理的思想基础上,提供了一个通用的包装器,可以与任何黑盒方法相结合,产生看不见的标签或其分布的估计分位数的点预测。虽然以前的共形推理方法依赖于数据点是可交换的假设,但我们的自适应方法可证明在长时间间隔内实现了所需的覆盖频率,而与真实的数据生成过程无关。我们通过将分布偏移建模为单个参数的学习问题来实现这一点,该参数的最佳值随时间变化,并且必须不断重新估计。我们在两个真实世界的数据集上测试了我们的方法,自适应共形推理,发现它的预测对可见的和显著的分布变化是鲁棒的。
2021-10-28 cs.LG stat.ME stat.ML
Multi Split Conformal Prediction
分裂共形预测是一种计算效率高的方法,用于在回归中执行无分布预测推理。然而,它涉及数据的一次性随机分割,结果取决于特定的分割。为了解决这个问题,我们提出了多分裂共形预测,一个简单的方法,基于马尔可夫不等式聚合单分裂共形预测间隔在多个分裂。
2021-07-21 stat.ME
Beyond Prediction: Conformal Inference for Latent Distributional Parameters
Carnegie Mellon University(卡内基梅隆大学)
本文提出无先验共形框架LatentCP,用于构造潜在分布参数的不确定性集合,经合成与真实野火数据集验证,其在多种场景下可保持良好覆盖率,独立调优与多级聚合可提升效率。
2026-09-04 stat.ME
Conformal prediction with localization
我们提出了一种称为局部共形预测的新方法,其中我们可以仅使用新测试样本周围的局部区域来进行共形推断以构建其置信区间。局部共形推理是共形推理的自然扩张。它将保形预报方法推广到可以打破数据交换的情况,从而赋予检验样本以特殊的作用。据我们所知,这是第一个工作,介绍了这样一个本地化的框架,共形预测。我们证明了我们的建议也可以有无约束和有限样本覆盖保证,我们比较了本地化的共形预测和共形预测在模拟中的行为。
2020-07-07 math.ST stat.ME stat.TH
Sequential Predictive Conformal Inference for Time Series
Georgia Institute of Technology(佐治亚理工学院)
本文提出序贯预测共形推断(SPCI)算法,通过利用时间序列残差的时间依赖性自适应估计条件分位数,解决不可交换序列的共形预测问题,并在保证覆盖率的同时显著缩小预测区间宽度。
2023-05-30 cs.LG stat.ME stat.ML
Doubly Robust Adaptive Conformal Inference for Causal Effects Under Temporal Dependence
Department of Computer Science University College London(计算机科学系伦敦大学学院)
提出双稳健自适应共形推断(DR-ACI),在时间依赖下为双稳健伪结果构建预测区间,结合共形预测与自适应加权,提供有限样本覆盖保证。
2026-06-29 cs.LG stat.CO stat.ML
Transductive conformal inference with adaptive scores
Université Paris Cité(巴黎西岱大学);Sorbonne Université(索邦大学);CNRS(法国国家科学研究中心);Université Paris Saclay(巴黎-萨克雷大学)
本文研究传导性共形推断,证明联合分布遵循Pólya urn模型并建立集中不等式,适用于自适应分数,为迁移学习区间预测和新颖性检测提供统一概率保证。
2024-03-19 cs.LG stat.ME
A Two-Sample Conditional Distribution Test Using Conformal Prediction and Weighted Rank Sum
我们考虑了两个总体之间给定一个协变量向量的反应变量的条件分布的相等性检验问题。这样的假设检验问题可以从各种机器学习和统计推断场景中激发,包括迁移学习和因果预测推断。我们从共形预测框架中得到启发,开发了一个非参数检验程序。我们的检验统计量的建设结合了共形预测的最新发展与一个新的选择一致性得分,从而在加权秩和检验统计量,是有效的和强大的一般设置下。据我们所知,这是第一次成功地尝试使用共形预测检验统计假设以外的交换。我们的方法适用于现代机器学习场景中的数据具有高维度和大样本量,并可以有效地结合现有的分类算法,找到良好的一致性得分函数。所提出的方法的性能证明在各种数值例子。
2023-02-23 stat.ME
Extending Prediction-Powered Inference through Conformal Prediction
FGV EMAp
本文将预测驱动推断与保形预测结合,用校准的保形集预测器进行缺失数据插补,从而在有效推断之外自然获得隐私、鲁棒性及分布偏移下的保证。
2025-10-17 cs.LG stat.ME stat.ML
Structured Conformal Inference for Matrix Completion with Applications to Group Recommender Systems
本文提出一种结构化共形推断方法,通过广义加权共形化框架为矩阵补全中的同列缺失项构建群组级联合置信区域,并在 MovieLens 100K 上验证了其在群组推荐中的有效性。
2025-02-10 stat.ME stat.ML
Exact and Robust Conformal Inference Methods for Predictive Machine Learning With Dependent Data
我们将共形推理扩展到允许时间序列数据的一般设置。我们的建议是作为一个随机化的方法,并考虑到潜在的串行依赖,包括块结构的置换方案。因此,所提出的方法保留了准确的,无模型的有效性时,数据是独立同分布。或更一般地可交换的,类似于通常的共形推理方法。当交换失败,是常见的时间序列数据的情况下,所提出的方法是近似有效的一致性分数弱假设下。
2018-07-12 cs.LG stat.ML
MD-split+: Practical Local Conformal Inference in High Dimensions
Carnegie Mellon University(卡内基梅隆大学)
量化模型预测中的不确定性是寻求不仅仅是点预测的从业者的共同目标。一种需要最少假设的不确定性量化工具是共形推理,它可以帮助为黑盒模型创建概率有效的预测区域。经典的共形预测只提供边缘有效性,而在许多情况下,局部有效的预测区域是可取的。在应用局部共形预测时,决定如何最好地划分特征空间X仍然是一个悬而未决的问题。我们提出了MD分裂+,一个实用的局部共形方法,创建X分区的基础上本地化的模型性能的条件密度估计模型。我们的方法处理复杂的现实世界的数据设置,这些模型可能会被错误指定,并扩展到高维输入。我们讨论了我们的局部分区如何从一个无法实现的条件共形推理方法与预期的行为一致。我们还经验比较我们的方法对其他地方的共形方法。
2021-07-07 cs.LG stat.ML
Conformal Inference for Experimental Attrition in Social Science Research
Washington University in St. Louis(华盛顿大学圣路易斯分校)
本文提出一种结合统计推断和缺失数据处理工具的新方法,通过预测区间实现稳健且精确的处理效应推断,优于传统方法。
2026-04-10 econ.EM stat.ME
Predictive Inference with Feature Conformal Prediction
Tsinghua University(清华大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Shanghai Qi Zhi Institute(上海期智研究院);Mila - Quebec AI Institute(米拉-魁北克人工智能研究所)
本文提出 feature conformal prediction,通过利用深度表示学习的归纳偏置将 conformal prediction 扩展至语义特征空间,理论证明其在温和假设下优于常规方法,并在 ImageNet 等大规模任务上取得 SOTA 性能。
2023-04-08 cs.AI cs.LG stat.ME
Adaptive Conformal Inference by Betting
Walmart Global Tech(沃尔玛全球科技)
本文针对数据非可交换场景下的自适应共形推断问题,提出一种基于无参数在线凸优化的新方法,证明其能控制长期误覆盖频率且无需参数调优。
2024-12-26 cs.LG stat.ML
Conformal inference for cell type annotation with graph-structured constraints
University of Padova(帕多瓦大学);Harvard Medical School(哈佛医学院)
提出一种利用细胞本体图结构增强共形预测集可解释性的方法,通过共形风险控制实现图结构预测,并处理训练与测试数据分布非交换性,开发了R包scConform。
2026-06-08 stat.AP stat.ME
Derandomized Novelty Detection with FDR Control via Conformal E-values
Technion IIT(以色列理工学院);Citi Innovation Lab(花旗创新实验室);University of Southern California(南加州大学)
提出利用conformal e-values替代p-values进行去随机化的新颖性检测,在有效聚合多次分析证据并控制FDR的同时减少随机性,且功效损失较小。
2023-10-23 cs.LG stat.ME
Conformal Survival Bands for Risk Screening under Right-Censoring
University of Southern California(南加州大学);Merck & Co., Inc.(默克公司)
该研究提出了一种基于符合性推断的方法,用于在右删失数据下量化个体生存分布的不确定性,以实现个性化风险筛查。
2025-12-17 stat.ME
Asymptotics for conformal inference
Université Paris Cité(巴黎西岱大学);Sorbonne Université(索邦大学);CNRS, Laboratoire de Probabilités, Statistique et Modélisation(法国国家科学研究中心,概率、统计与建模实验室)
本文研究了一致性推断中虚假覆盖比例的渐近分布,揭示了其与柯尔莫哥洛夫分布的关系,并扩展了加权一致性推断和分布偏移问题的分析。
2026-02-18 math.ST stat.TH
Selecting Informative Conformal Prediction Sets with an Optimized FCR-Controlled Approach
Tel-Aviv University(特拉维夫大学);Sorbonne Université(索邦大学)
本文研究了在选择性推断设置中使用遵循方法,通过优化 FCR 控制方法来构建 informative 遵循预测集,并在实际应用中通过校准程序调整 oracle 策略以维持有限样本 FCR 控制,同时展示了在分类结果上的有效性。
2026-10-06 stat.ME
Characterizing the Training-Conditional Coverage of Full Conformal Inference in High Dimensions
本文研究高维比例渐近机制下全共形回归的训练条件覆盖性质,证明其覆盖率集中于目标值,而简单替代方法存在欠覆盖偏差,并表明该方法在调整正则化水平时冗余,模拟验证了渐近近似的准确性。
2025-02-27 math.ST stat.TH
Conformal Calibration of Statistical Confidence Sets
本文提出TRUST和TRUST++两种方法,利用模拟数据校准统计置信集,实现无分布条件覆盖,在小样本下优于现有方法,弥合保形预测与统计推断的差距。
2025-09-25 stat.ME stat.ML
Conformalized Large-Scale Selective Inference with Informative and Trustworthy Prediction Sets
School of Statistics, Beijing Normal University(北京师范大学统计学院);Center for Data Science, Zhejiang University(浙江大学数据科学中心)
提出SCIP方法,通过信息性集构造器、信任评分和广义共形p值,在控制错误覆盖率的同时选择信息性预测集,适用于回归和分类任务。
2026-05-26 math.ST stat.ME stat.TH
T-SCI: A Two-Stage Conformal Inference Algorithm with Guaranteed Coverage for Cox-MLP
IIIS, Tsinghua University(清华大学交叉信息研究院)
删失数据的处理具有挑战性,因为我们只能获得生存时间的不完全信息,而不能获得其确切值。幸运的是,在线性预测假设下,人们可以使用Cox回归等方法获得生存时间置信区间的保证覆盖率。然而,当用神经网络放松线性假设时(例如,Cox-MLP(Katzman等人,2018; Kvamme等人,2019年,我们失去了保障。为了在没有线性假设的情况下恢复保证覆盖,我们提出了两种基于保形推理的算法。在第一个算法WCCI中,我们重新加权共形推理,并引入了一个新的不符合分数的基础上偏似然。然后,我们提出了一个两阶段的算法T-SCI,我们在第一阶段运行WCCI,并在第二阶段应用分位数共形推理来校准结果。理论分析表明,T-SCI返回保证覆盖率比WCCI温和的假设。我们使用不同的方法对合成数据和真实数据进行了大量的实验,验证了我们的分析。
2021-04-14 cs.AI cs.DS cs.LG
Structure-Adaptive Conformal Inference for Large-Scale Out-of-Distribution Testing
Center for Data Science and School of Mathematical Sciences, Zhejiang University(数据科学中心和数学科学学院,浙江大学)
提出结构自适应共形q值(SCQ)和伪分数引导的直推式自动模型选择(P-TAMS),在成对可交换性下实现结构化分布外检测的有限样本错误率控制、功效提升和可解释性增强。
2026-05-26 cs.AI cs.LG stat.ME
Exact and Approximate Conformal Inference for Multi-Output Regression
Air Force Institute of Technology(空军理工学院);Georgia Institute of Technology(佐治亚理工学院);Apple(苹果公司)
针对多输出回归中共形推断计算成本高的问题,推导了线性预测模型下共形推断p值的精确形式,并提出unionCP与多元rootCP两种高效近似方法,经理论和实验验证有效。
2024-06-22 cs.LG math.ST stat.CO
Robust Flow-based Conformal Inference (FCI) with Statistical Guarantee
Virginia Tech(弗吉尼亚理工大学)
共形预测的目的是利用过去的经验确定新对象预测的精确置信度。然而,通常使用的训练数据和测试数据之间的可交换的假设限制了它在处理污染测试集的使用。在本文中,我们开发了一种新的基于流的共形推理(FCI)方法来构建预测集和推断复杂和高维数据的离群值。我们利用对抗流的思想将输入数据传输到具有已知分布的随机向量。我们的往返变换可以将输入数据映射到低维空间,同时保留输入数据的条件分布,这使得我们能够构建不一致性分数用于不确定性量化。当测试数据被污染时,我们的方法是适用的和鲁棒的。我们评估我们的方法,强大的基于流的共形推理,基准数据集。我们发现,它产生有效的预测集和准确的离群值检测,是更强大的相对于竞争的方法。
2022-10-15 cs.LG stat.ML
Adaptive Conformal Inference by Particle Filtering under Hidden Markov Models
City University of Hong Kong(香港城市大学)
本文提出一种基于粒子滤波的自适应共形推断框架,通过加权粒子近似隐状态后验分布,在隐马尔可夫模型下实现长期一步及多步推断的聚合覆盖水平,并经实时目标定位仿真验证有效性。
2024-11-03 cs.LG stat.ML
Conformal Inference of Individual Treatment Effects Using Conditional Density Estimates
Binghamton University(宾汉姆顿大学)
本文提出一种利用条件密度估计的ITE保形推断方法,通过两阶段框架和参考分布技术,构建了比现有方法更窄且边际有效的预测区间。
2025-01-24 cs.LG stat.ML
Probabilistic Conformal Prediction Using Conditional Random Samples
University of Texas at Austin(德克萨斯大学奥斯汀分校);Columbia University(哥伦比亚大学)
本文提出了概率共形预测(PCP),预测推理算法,估计目标变量的不连续预测集。给定输入,PCP基于来自估计生成模型的随机样本构建预测集。它是有效的,兼容显式或隐式条件生成模型。从理论上讲,我们证明PCP可以在有限样本的情况下保证正确的边缘覆盖。经验上,我们研究了各种模拟和真实数据集上的PCP。与现有的共形推理方法相比,PCP提供了更清晰的预测集。
2022-06-20 cs.LG stat.ME stat.ML
STACI: Spatio-Temporal Aleatoric Conformal Inference
North Carolina State University(北卡罗来纳州立大学);Brookhaven National Laboratory(布鲁赫斯国家实验室);University of the Basque Country(巴斯克大学)
STACI提出变分贝叶斯神经网络近似非平稳时空高斯过程,结合新颖时空共形推断,实现可扩展且统计有效的预测区间,优于现有方法并支持百万级数据。
2025-10-23 cs.LG stat.ME stat.ML
Multi-LLM Adaptive Conformal Inference for Reliable LLM Responses
Department of Applied Statistics and Data Science, Yonsei University(应用统计与数据科学系,延世大学);Department of Mathematical Sciences, KAIST(数学科学系,韩国科学技术院)
多LLM自适应置信推理通过集成生成更准确的事实性分数,提升高风险领域中LLM响应的可靠性和准确性。
2026-02-01 cs.AI cs.LG stat.ML
Enhancing reliability in prediction intervals using point forecasters: Heteroscedastic Quantile Regression and Width-Adaptive Conformal Inference
Universidad Politécnica de Madrid(马德里理工大学);Escuela Técnica Superior de Ingenieros Industriales(高等工业工程学院);Laboratorio de Estadística(统计实验室)
针对时间序列预测区间构建难题,提出结合异方差分位数回归与宽度自适应共形推断的方法,兼顾理论覆盖率与宽度自适应,经合成及真实电价数据验证,在有效性、效率及实用性上表现优异。
2025-01-17 cs.LG stat.ME stat.ML
Beyond Conformal Predictors: Adaptive Conformal Inference with Confidence Predictors
Department of Mathematics, Stockholm University(数学系,斯德哥尔摩大学);Department of Computing, Jönköping School of Engineering(计算系,约克灵根工程学院)
本研究证明自适应保形推断的覆盖保证适用于更广泛的非保形置信预测器,在非可交换数据下提供计算优势并提升预测效率。
2025-06-26 cs.LG stat.ML
Conformalized Signal Temporal Logic Inference under Covariate Shift
University of California, Riverside(加州大学河滨分校);Boston University(波士顿大学);MIT Lincoln Laboratory(麻省理工学院林肯实验室)
本文提出一种符合性STL推理框架,解决训练与部署数据集间的协变量偏移问题,通过模板无关的可微STL推理方法和有限部署数据集优化,提升部署时的符号学习可靠性。
2026-03-28 cs.LG stat.ML
Conformal Inference for Online Prediction with Arbitrary Distribution Shifts
Stanford University(斯坦福大学)
针对在线预测中现有共形推断方法对历史数据加权过重、难适配分布偏移的问题,通过改进自适应共形推断算法新增步长参数动态调整步骤,实现对任意分布偏移的自适应,且在真实数据集上验证了鲁棒性。
2023-10-05 cs.LG stat.ME
Everywhere Valid Bounds on False Discovery Proportions in Conformal Inference
Department of Statistics, Stanford University(斯坦福大学统计学系);Department of Statistics and Data Science, University of Pennsylvania(宾夕法尼亚大学统计学与数据科学系);Department of Mathematics, Stanford University(斯坦福大学数学系)
本文提出了一种在多重检验问题中对虚假发现比例(FDP)的处处有效界,通过构造高概率包络来保证在任意后验阈值选择下的统计保证,同时展示了该方法在异常检测和符合选择中的应用。
2026-06-18 cs.LG stat.ME stat.ML
Locally Adaptive Conformal Inference for Operator Models
University of Connecticut(康涅狄格大学);Meta Platforms Inc(Meta平台公司)
提出局部切片共形推断(LSCI),一种无分布框架,为算子模型生成函数值、局部自适应预测集,在合成和实际任务中比共形基线更紧、适应性更强。
2026-06-06 cs.LG stat.ML
Multi-Source Conformal Inference Under Distribution Shift
针对多源数据分布偏移与隐私约束下的有效推断难题,提出基于有效影响函数的共形预测区间方法,结合数据自适应权重策略提升鲁棒性与效率,经合成实验和临床数据验证有效。
2024-05-15 stat.ME stat.ML
Conformal link prediction for false discovery rate control
针对图链接预测中缺失边难以直接分类为真实边或不存在边的问题,提出基于保形推断的新方法以控制错误发现率,并考虑图结构引起的复杂数据依赖性,在模拟与真实数据上均验证了有效性。
2024-03-24 stat.ME stat.ML
Adaptive inference with random ellipsoids through Conformal Conditional Linear Expectation
本文在多变量回归框架下提出两种基于残差与输入点协方差分析的新conformity scores,构建显式椭球预测集,证明其渐近性质及体积缩减优势,并在数值研究中验证有效性。
2025-06-27 math.PR math.ST stat.TH
CausalGuard: Conformal Inference under Graph Uncertainty
Case Western Reserve University(凯斯西储大学)
本文提出CausalGuard,一种结构加权的契合框架,通过聚合图条件双稳健伪结果进行校准,以在图不确定性下提供无分布的有限样本边际覆盖。
2026-05-21 cs.AI cs.LG stat.ME
Conformal inference is (almost) free for neural networks trained with early stopping
University of Southern California(南加州大学)
本文提出共形化早停方法,通过高效复用留出数据将早停与共形校准结合,使神经网络在保持准确性的同时获得精确的预测推断保证,无需多次数据分割或过度保守调整,并在异常检测、分类和回归任务上验证了其竞争力。
2023-06-26 cs.LG math.ST stat.ML
Error-quantified Conformal Inference for Time Series
School of Statistics and Data Science, LPMC, KLMDASR and LEBPS, Nankai University(统计与数据科学学院,LPMC,KLMDASR和LEBPS,南开大学);Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院,清华大学)
针对时间序列预测中不确定性量化问题,提出误差量化的保形推断方法,通过平滑分位数损失函数引入连续自适应反馈,实现长期覆盖保证并输出更紧凑的预测集。
2025-09-08 cs.LG stat.ML
Prediction Sets and Conformal Inference with Interval Outcomes
UCL(伦敦大学学院);IFS(英国财政研究所);CeMMAP(宏观经济与货币政策中心);Harvard University(哈佛大学)
本文提出了一种针对区间结果的预测集估计方法,结合符合推断和部分识别理论,用于构建具有有限样本有效性且在样本量增长时保持一致的预测集。
2026-11-13 econ.EM stat.ME
Optimized Conformal Selection: Powerful Selective Inference After Data-Dependent Score Construction
McGill University(麦吉尔大学);Harvard University(哈佛大学)
针对保形推断中模型选择破坏数据可交换性的问题,提出OptCS框架,允许数据驱动优化模型后进行有效选择性推断,通过三种程序控制FDR,在模拟和实际应用中验证了有效性。
2026-10-22 cs.AI cs.LG stat.ME
Constructing Prediction Intervals with Neural Networks: An Empirical Evaluation of Bootstrapping and Conformal Inference Methods
United States Air Force Academy(美国空军学院);Air Force Institute of Technology(空军理工学院);th Human Performance Wing(第711人体效能联队)
人工神经网络(ANN)是用于完成许多机器学习任务(包括预测连续结果)的流行工具。然而,普遍缺乏信心的措施,提供人工神经网络预测限制其适用性。用预测区间(PI)补充点预测对于其他学习算法来说很常见,但是ANN的复杂结构和训练使得构建PI变得困难。这项工作提供了网络设计的选择和推理方法,创造更好的性能PI与人工神经网络。在11个数据集上执行两步实验,包括基于图像的数据集。两个分布免费的方法构造PI,引导和共形推理,被认为是。第一个实验步骤的结果表明,固有的选择建立一个人工神经网络影响PI的性能。针对每个网络特征和PI方法,提供了优化PI性能的指导。在第二步中,20算法构建PI,每个使用的原则,自举或保形推理,实施,以确定提供最佳性能,同时保持合理的计算负担。在一般情况下,这种权衡是优化时,实施交叉共形方法,保持区间覆盖率和效率,减少计算负担。
2022-10-07 cs.LG stat.ML
Conformal Prediction Beyond the Horizon: Distribution-Free Inference for Policy Evaluation
KLATASDS - MOE School of Statistics East China Normal University(KLATASDS - 教育部统计学系华东师范大学)
可靠的不确定性量化对于高风险环境中的强化学习(RL)至关重要。我们提出了一个统一的共形预测框架的无限地平线的政策评估,构建分布免费的预测区间{回报}在政策和政策设置。我们的方法集成了分布式RL与共形校准,解决了未观察到的回报,时间依赖性和分布变化等挑战。我们提出了一个模块化的伪返回构造截断推出和时间感知的校准策略,使用经验重放和加权子采样的基础上。这些创新减轻了模型偏差,恢复了近似的互换性,即使在政策变化的情况下也能量化不确定性。我们的理论分析提供了覆盖保证,占模型误指定和重要性权重估计。实证结果,包括在合成和基准环境中的实验,如山地车,表明我们的方法显着提高了覆盖率和可靠性超过标准的分布式RL基线。
2025-10-29 cs.LG stat.ML
Online conformal inference with retrospective adjustment for faster adaptation to distribution shift
Inha University(仁荷大学)
针对在线环境数据分布变化问题,提出具有回顾性调整的在线共形推理方法,利用回归方法和高效公式追溯调整预测,经实验表明该方法能在接近标称覆盖率时减少预测区间宽度约30%,提升统计效率与适应性。
2026-07-14 cs.LG stat.ML