Split Conformal Prediction and Non-Exchangeable Data
本文基于集中不等式和数据解耦性质提出理论框架，证明split CP在不可交换数据中通过添加覆盖率惩罚依然有效，实验表明其性能优异且速度更快。
2024-08-23 math.ST stat.TH
Extending Conformal Prediction to Hidden Markov Models with Exact Validity via de Finetti's Theorem for Markov Chains
Tippie College of Business, University of Iowa（爱荷华大学蒂皮商学院）；Pacific Northwest National Laboratory（太平洋西北国家实验室）；Palo Alto Networks（帕洛阿尔托网络）
本文将保形预测推广至隐马尔可夫模型，利用马尔可夫链的 de Finetti 定理将不可交换数据划分为可交换块，在保留理论保证的同时将不可交换性转化为提升性能的优势。
2023-05-22 cs.LG eess.SP stat.ME
Hypothesis tests for structured rank correlation matrices
大量变量的联合建模通常需要降维策略，该策略导致基础相关矩阵的结构假设，例如变量子集内的相等成对相关性。因此，潜在的相关矩阵是模型规范和模型验证的兴趣。在本文中，我们开发的假设，肯德尔秩相关矩阵的条目是一个较小数量的参数的线性组合的测试。研究了维数固定和维数随样本量增长时所提出的检验统计量的渐近行为。我们特别注意部分交换的限制性假设，其中包含作为特殊情况的完全交换。我们证明了在部分交换条件下，检验统计量及其大样本分布得到简化，从而带来了计算上的优势和更好的检验性能。我们提出了各种可扩展的数值策略，以实现所提出的程序，通过模拟和功率计算当地的替代品，调查他们的行为，并展示了他们的使用在不同的地理位置的平均海平面的真实数据集。
2021-11-23 stat.ME
Online Selective Conformal Prediction: Errors and Solutions
Carnegie Mellon University（卡内基梅隆大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
针对在线选择性共形推断中现有校准选择策略存在的理论错误，本文提出可保持数据可交换性的新策略，证明其能同时保证选择条件覆盖率与FCR控制，并通过实验验证了有效方法间的权衡关系。
2025-03-21 cs.LG stat.ML
False Discovery Rate Control For Structured Multiple Testing: Asymmetric Rules And Conformal Q-values
本文提出 PLIS 程序，通过仅要求零假设共形分数成对可交换，突破对称规则限制，实现结构化多重检验中的有限样本 FDR 控制与功效提升。
2024-06-17 stat.ME
Conformal Blindness: A Note on $A$-Cryptic change-points
本文探讨了 conformal blindness 现象，通过构造示例展示了 A-cryptic change-point 的可能性，并指出 ctm 在面对分布转移时的局限性。
2026-01-22 cs.LG stat.ML
Conformal Frequency Estimation with Sketched Data
一个灵活的共形推理方法的基础上，这些数据的一个小得多的草图构造置信区间的查询对象的频率在非常大的数据集。该方法是数据自适应的，不需要知识的数据分布或素描算法的细节，相反，它构造可证明有效的频率论置信区间的唯一假设下的数据交换。虽然我们的解决方案是广泛适用的，本文侧重于应用程序涉及的计数最小草图算法和非线性变化。通过SARS-CoV-2 DNA序列数据集和经典英文文献的模拟和实验，将该方法与频率论和贝叶斯方法进行了比较。
2022-11-09 stat.ME stat.ML
Conformal prediction for time series
我们开发了一个通用的框架，用于构建时间序列的分布自由的预测区间。在理论上，我们建立明确的边界条件和边际覆盖差距的估计预测区间，渐近收敛到零的额外的假设。我们得到了类似的界限，甲骨文和估计的预测区间之间的差异集的大小。方法上，我们引入了一个计算效率高的算法称为\texttt{EnbPI}，包裹在合奏预测，这是密切相关的共形预测（CP），但不需要数据交换。\texttt{EnbPI}避免了数据分裂，并且通过避免再训练而在计算上是高效的，并且因此可扩展以顺序地产生预测区间。我们进行了广泛的模拟和实际数据分析，以证明其有效性与现有的方法相比。我们还讨论了\texttt{EnbPI}在各种其他应用程序的扩展。
2023-02-16 stat.AP stat.ME stat.ML
RoCP-GNN: Robust Conformal Prediction for Graph Neural Networks in Node-Classification
Manipal Institute of Technology（马尼帕尔理工学院）；Manipal Academy of Higher Education（马尼帕尔高等教育学院）
针对图神经网络缺乏鲁棒不确定性估计不足的问题，提出将共形预测直接融入GNN训练的RoCP-GNN方法，可在图半监督学习下生成指定置信度的有效预测集并量化不确定性，实验验证了性能提升。
2024-10-09 cs.AI cs.LG stat.ML
Efficient Conformal Prediction under Data Heterogeneity
Ecole Polytechnique（巴黎综合理工学院）；Lagrange Mathematics and Computing Research Center（拉格朗日数学与计算研究中心）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究所）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；HSE University（高等经济大学）；Technology Innovation Institute（技术创新研究院）
针对传统共形预测依赖数据可交换性、现有非可交换场景方法计算性差的问题，提出高效共形预测方法，可在通用非可交换分布及联邦学习异质场景下生成有理论保证的有效预测集，经真实数据集实验验证有效。
2024-07-13 cs.LG stat.ML
A comparison of some conformal quantile regression methods
我们比较了最近提出的两种方法，它们结合了共形推理和分位数回归的思想，以在样本交换下产生局部自适应和边缘有效的预测区间（Romano等人，2019; Kivaranovic等人，2019年）。首先，我们证明了这两种方法是渐近有效的大样本下，在一些额外的假设。然后，我们比较他们的经验模拟和真实数据。我们的研究结果表明，Romano et al.（2019）中的方法通常在有限样本中产生更紧密的预测区间。最后，我们讨论了如何通过固定用于训练和一致化的观测的相对比例来调整这些过程。
2019-09-12 math.ST 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
Conflict Forecasting via Conformal Prediction for Markov Processes
North Carolina State University（北卡罗来纳州立大学）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）；Swedish Defense University（瑞典国防大学）；University of Oslo（奥斯陆大学）
本文通过置信预测方法对马尔可夫过程的时间依赖数据进行预测，以获得未来冲突状态序列的预测集，并与基于似然的预测策略进行比较，探讨其在冲突预测中的应用及局限性。
2026-04-28 stat.AP stat.ME stat.ML
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
Conformal Prediction Under Covariate Shift
我们将共形预测方法扩展到可交换数据的情况之外。特别是，我们表明，加权版本的共形预测可用于计算分布的预测区间的问题中，测试和训练协变量分布不同，但这两个分布之间的似然比是已知的-或者，在实践中，可以准确地估计与访问一个大的未标记的数据集（测试协变量点）。我们对共形预测的加权扩展也更普遍地适用于数据满足某种加权交换概念的情况。我们讨论了我们的新的共形方法的其他潜在的应用，包括潜在的变量和缺失数据的问题。
2020-07-06 stat.ME
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
Conformal e-testing
本文提出基于共形e预测的共形e检验方法，该方法继承共形检验的部分优势且有独特长处，系统讨论了其优势与局限性。
2024-11-02 math.ST stat.TH
Aggregation of Statistical Evidence under Exchangeability
University of Cambridge（剑桥大学）；University College London（伦敦大学学院）；KAIST（韩国科学技术院）
研究在未知复杂依赖下统计证据的聚合，基于群不变性和排列构造，发展理论及多种聚合版本，其临界值优于确定性校准，能适应未知依赖，还应用于相关领域改进现有方法。
2026-07-20 cs.LG math.ST stat.ME
Conformal Prediction for Network-Assisted Regression
网络分析中的一个重要问题是使用网络协变量（如图嵌入坐标或局部子图计数）和常规节点协变量（如人口统计特征）来预测节点属性。虽然利用两种类型的协变量的标准回归方法可用于预测，但由于节点汇总统计量通常以复杂的方式相关，因此统计推断复杂。我们表明，在一个温和的联合交换假设下，网络模拟的共形预测实现有限的样本有效性为广泛的网络协变量。我们还表明，渐近条件有效性的形式是可以实现的。这些方法在模拟网络和引用网络数据集上都得到了说明。
2023-02-23 math.ST stat.ME stat.ML
Elements of Conformal Prediction
University of Southern California（南加州大学）；Università di Torino（都灵大学）；Collegio Carlo Alberto（卡罗阿尔贝托学院）
本文介绍符合预测的核心思想和选定方法，强调其分布自由性和模型无关性，为统计学家提供清晰的概念入门和教学概述。
2026-09-01 stat.ME stat.ML
Retrain or not retrain: Conformal test martingales for change-point detection
我们主张通过建立一个用于检测数据分布变化和算法需要重新训练的时刻的方案来补充训练预测算法的过程。我们提出的方案是基于交换鞅，即，在数据的任何可交换分布下都是鞅的过程。我们的方法，基于共形预测，是通用的，可以应用于任何现代预测算法之上。它的有效性是有保证的，在本文中，我们在探索其效率的第一步。
2021-02-20 cs.LG stat.ML
Testing for concept shift online
本文继续研究交换鞅，即，过程是鞅下的任何可交换分布的意见。这样的过程可以用于检测IID假设的违反，这通常在机器学习中进行。违反IID假设有时被称为数据集移位，数据集移位有时被细分为概念移位，协变量偏移等。我们的主要兴趣是在概念移位，但我们也将讨论交换鞅分解成两个组件，其中一个检测概念移位和其他检测我们所谓的标签偏移。我们的方法将基于共形预测技术。
2020-12-28 cs.LG stat.ML
Conformal prediction set for time-series
在构建回归的预测区间（具有实值响应）或分类的预测集（具有分类响应）时，不确定性量化对于研究复杂的机器学习方法至关重要。在本文中，我们基于[Xu和Xie，2021]的先前工作，开发了增强正则化自适应预测集（ERAPS）来构建时间序列（具有分类响应）的预测集。特别是，我们允许未知的依赖关系存在于功能和响应中，按顺序到达。在方法上，ERAPS是一个无分布和基于集成的框架，适用于任意分类器。理论上，我们在不假设数据交换的情况下约束覆盖间隙，并显示渐近集收敛。从经验上讲，我们证明了有效的边缘和条件覆盖ERAPS，这也往往会产生较小的预测集比竞争的方法。
2022-06-15 cs.LG stat.ME stat.ML
On the Validity of Conformal Prediction for Network Data Under Non-Uniform Sampling
本文将网络抽样建模为超总体上的选择事件，证明置换不变性与联合可交换性可保证保形预测有限样本有效，并给出随机游走抽样下加权保形预测的渐近有效性。
2023-07-13 math.ST stat.ME stat.ML
FDR control and FDP bounds for conformal link prediction
本文针对部分观测图的链接预测问题，证明Marandon (2023)提出的共形多重检验程序能够控制FDR，并基于可交换性推导出一致的FDP界。
2024-04-03 math.ST stat.TH
Enhancing Conformal Prediction Using E-Test Statistics
Cardiff University（卡迪夫大学）；Imperial College London（伦敦帝国学院）
本文提出用E检验统计量替代传统p值，并引入BB预测器来增强共形预测的效能。
2024-03-28 cs.AI cs.LG math.ST
Conformalized Super Learner
Department of Mathematics（数学系）；King’s College London（伦敦国王学院）；Department of Statistics and Operations Research（统计与运筹学系）；Department of Statistical Science（统计科学系）；University of Granada（格拉纳达大学）；University College London（伦敦大学学院）
本文提出将符合预测与超级学习器结合，通过个体学习器权重和加权多数投票生成预测区间，验证了其在连续结果中的有效性，并展示了在预测肌酐水平中的应用。
2026-09-09 cs.LG stat.CO stat.ME
CAOS: Conformal Aggregation of One-Shot Predictors
Department of Statistics, University of Wisconsin-Madison, USA（统计学系，威斯康星大学麦迪逊分校）
CAOS通过自适应聚合多个一次性预测器，利用留一校准方案实现有效覆盖，比传统方法在预测集大小上更小且保持可靠覆盖。
2026-01-30 cs.AI cs.LG stat.ML
Selection by Prediction with Conformal p-values
本文提出一种基于共形推断的筛选方法，通过构造p值并与多重检验阈值比较，在控制错误选择比例的同时从候选池中选出结果超过指定值的候选者，并应用于招聘和药物发现。
2023-05-27 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
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 Prediction for Dyadic Regression Under Complex Missingness
Washington University in Saint Louis（华盛顿大学圣路易斯分校）；University of Michigan（密歇根大学）
针对复杂缺失机制下的二元回归问题，提出共形预测框架，通过分布不变性条件替代可交换性，并利用双射论证处理随机子集样本，同时提出多种共形预测程序，包括图论加权方法，实现渐近条件有效性。
2026-09-17 math.ST stat.ME stat.ML
Conformal Prediction Assessment: A Framework for Conditional Coverage Evaluation and Selection
Qiuzhen College, Tsinghua University（清华大学求真书院）；Yau Mathematical Sciences Center, Tsinghua University（清华大学丘成桐数学科学中心）
本文提出CPA框架，通过训练可靠性估计器评估条件覆盖，引入CVI指数分解可靠性并证明其一致性，实验表明CPA能有效诊断局部失效模式。
2026-03-28 cs.LG stat.ME stat.ML
Improving the statistical efficiency of cross-conformal prediction
Department of Statistical Sciences, University of Padova（帕多瓦大学统计科学系）；Department of Statistics and Data Science, Carnegie Mellon University（卡内基梅隆大学统计与数据科学系）
本研究针对交叉共形预测及其简单变体，基于利用可交换性与随机化的高效p值组合结果提出新变体，在保留原有覆盖率理论保证的同时缩小预测集，模拟验证了结论并揭示相关权衡。
2025-05-21 cs.LG stat.AP stat.ML
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
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
Group Permutation Testing in Linear Model: Sharp Validity, Power Improvement, and Extension Beyond Exchangeability
Tsinghua University（清华大学）；Shanghai University of Finance and Economics（上海财经大学）
本文提出群排列框架用于线性模型检验，展示其在交换误差下的有效性及功效提升，并扩展至非交换性场景，提供精确误差控制和稳健性分析。
2026-04-17 stat.ME
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
Distribution-free inference with hierarchical data
针对分层数据下标准可交换性不成立的问题，提出分层可交换性以拓展无分布方法，还在独立重复测量场景下构建了具备二阶矩覆盖率的无分布预测集，仿真验证其条件未覆盖率低且模型准确时代价轻微。
2025-08-02 math.ST stat.ME stat.TH
Between Resolution Collapse and Variance Inflation: Weighted Conformal Anomaly Detection in Low-Data Regimes
Intelligent Systems Research Group (ISRG)（智能系统研究组）
本文提出加权符合性异常检测方法，解决低数据环境下因分布偏移导致的分辨率崩溃与方差膨胀问题，通过连续推理放松实现局部适应与尾部分辨率解耦，提升统计效力。
2026-03-24 cs.LG stat.ME stat.ML
Conformal Tradeoffs: Operational Profiles Beyond Coverage
Center for Advanced Mathematics in Energy Research Applications（能源研究应用高级数学中心）；Synchrotron Infrared Structural Biology Program（同步辐射红外结构生物学计划）；Molecular Biophysics and Integrated Bioimaging Division（分子生物物理与整合生物成像部）
本文提出SSBC方法，通过校准与审计机制，在有限样本下实现精确覆盖语义，并通过诱导划分揭示制度边界和权衡问题。
2026-03-10 cs.AI cs.LG stat.ME
Generalized Hierarchical Conformal Prediction
University of Pennsylvania（宾夕法尼亚大学）
针对分组数据预测中标准分层共形预测无法利用少量初始观测的问题，提出广义分层共形预测（GHCP）方法，通过分配随机参考组大小恢复对称性并提升非一致性分数，经模拟和美国社区调查数据集验证性能。
2026-08-18 stat.ME stat.ML
tsbootstrap: Distribution-Free Uncertainty Quantification and Conformal Prediction for Time Series
DeepThought Solutions
研究针对金融等领域违反可交换性的问题，通过tsbootstrap的单个类型化API提供多种重采样和校准方法，在受控研究中表现良好，后端运行快且节省内存，贡献了有效的时间序列不确定性量化与共形预测方案。
2026-07-09 cs.AI cs.MS q-fin.ST
Conformal Selective Prediction with General Risk Control
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）
本文提出SCoRe框架，通过符合性推理和假设检验方法，在无需统一集中假设的情况下，为任何训练好的模型和用户定义的有界连续风险提供风险控制保证，并应用于药物发现、健康风险预测和大语言模型等领域。
2026-03-25 cs.LG stat.AP stat.ME
Conformal Prediction for Time Series with Deep Sequence Models
Georgia Institute of Technology（佐治亚理工学院）
本研究系统探索深度序列模型在时间序列保形预测中的应用，提出三种方法并给出理论保证与实验验证。
2026-10-05 cs.LG stat.ML
Flow-based Conformal Prediction for Multi-dimensional Time Series
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（希拉德-米利斯坦斯通工业与系统工程学院，佐治亚理工学院）
本文提出基于流和分类器无指导的新型时间序列置信预测方法，解决观测相关性和非一致性评分的交换性假设问题，并构建多维输出的预测集，提供精确的覆盖保证。
2026-03-20 cs.LG stat.ML
E-Values Expand the Scope of Conformal Prediction
Inria（法国国家信息与自动化技术研究所）；Ecole Normale Supérieure（巴黎高等师范学院）；PSL Research University（巴黎 sciences-et-lettres 大学）；University of California, Berkeley（加州大学伯克利分校）
本文提出基于e-值的共形e-预测方法，通过三个应用展示了其在批量任意时刻有效预测、固定大小共形集及模糊标签场景下超越传统p-值方法的优势，扩展了共形预测的理论与实践能力。
2025-05-06 cs.LG stat.ML
Adaptive Conformal Regression with Jackknife+ Rescaled Scores
IBM Research（IBM研究院）
本文提出一种基于Jackknife+重缩放分数的自适应保形回归方法，在不牺牲校准集大小的前提下实现局部覆盖，并在低数据场景下优于现有方法。
2023-05-31 cs.LG stat.ML
Joint Registration and Conformal Prediction for Partially Observed Functional Data
针对部分观测函数型数据缺失段预测的挑战，提出联合配准与保形预测方法，分离振幅和相位变异，整合配准与预测，生成可靠预测带，且实现简单、计算高效。
2025-11-19 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
Ensuring Calibration Robustness in Split Conformal Prediction Under Adversarial Attacks
Michigan State University（密歇根州立大学）
本文研究了在对抗攻击下分割置信预测的鲁棒性，提出通过校准时间攻击强度控制覆盖度，并通过对抗训练提升预测集的紧致性与信息量。
2025-12-22 cs.LG stat.ML
Skew-adaptive conformal prediction
Insper Institute of Education and Research（Insper教育与研究学院）
本文提出一种偏斜自适应置信预测方法，通过非对称区间族和 gauge 方法构建置信分数，利用逆双曲正弦变换训练额外预测模型以适应特征空间中的不确定性倾斜，保持了样本有限的边缘有效性，同时实现了对局部尺度和偏斜的适应。
2026-05-15 cs.LG stat.ML
Inference for Clustering: Conformal Sets for Cluster Labels
Columbia University（哥伦比亚大学）
本文提出一种新的置信推断框架，用于返回聚类标签的置信集。通过引入随机标签和软分类器，解决了标签估计带来的覆盖不足问题，并在理论和实践中验证了方法的有效性。
2026-04-09 stat.ME
Conformal Prediction via Transported Beta Laws
Federal University of São Carlos（萨尔瓦多联邦大学）；University of São Paulo（圣保罗大学）；Inria（法国国家信息与自动化技术研究院）；Université Grenoble Alpes（格勒诺布尔阿尔卑斯大学）
本文研究了通过实现的符合阈值诱导的校准-条件覆盖定律，利用贝塔分布作为有限样本参考对象，并通过Wasserstein距离量化偏离，从而提供对边际覆盖差距和坏校准概率的直接界限，并区分不同非i.i.d行为的来源。
2026-05-18 cs.LG stat.ME stat.ML
