Investigating Data Usage for Inductive Conformal Predictors
School of Computer Science, University of Nottingham Ningbo China（宁波诺丁汉大学计算机学院）
针对归纳共形预测器在数据有限或成本高场景下的高效数据划分开放问题，通过多组实验探究划分方式及训练与校准集样本重叠的情况，为相关学术与实践应用提供参考。
2024-06-18 cs.LG stat.ML
Optimized conformal classification using gradient descent approximation
University of Nottingham Ningbo China（宁波诺丁汉大学）
保形预测器是一类重要的算法，它允许以用户定义的置信水平进行预测。他们能够通过输出预测集而不是简单的点预测来做到这一点。保形预测是有效的，在这个意义上，它的预测精度保证满足置信水平，只有假设在数据中的交换。由于保证了准确性，因此通过预测集的效率来测量共形预测器的性能。通常，共形预测器建立在底层机器学习算法上，因此其预测能力继承自该算法。然而，由于底层机器学习算法不是以最小化预测效率为目标来训练的，这意味着所得到的适形预测器可能是次优的并且与该目标不充分对准。因此，在这项研究中，我们考虑一种方法来训练的共形预测直接与最大的预测效率作为优化目标，我们专注于归纳共形预测分类。为此，共形预测器由一个可微的目标函数近似，并利用梯度下降对其进行优化，然后将得到的参数估计值传递给一个适当的归纳共形预测器，得到有效的预测集。我们测试的方法在几个现实世界的数据集，发现该方法是有前途的，在大多数情况下，提供了改进的预测效率对基线共形预测。
2021-05-24 cs.LG
Cross-conformal predictors
本文介绍了交叉共形预测方法，它是归纳共形预测方法和交叉验证方法的混合，并对其有效性和预测效率进行了实证研究。
2012-08-03 cs.LG stat.ML
Aggregation in conformal e-classification
本文研究了跨符合性e预测的实验，探讨了其修改版本在简化和灵活性方面的优势。
2026-08-11 cs.LG
MoGERNN: An Inductive Traffic Predictor for Unobserved Locations
Institute of Intelligent Transportation Systems, College of Civil Engineering and Architecture, Zhejiang University（智能交通系统研究院，土木工程与建筑学院，浙江大学）；Institute for Transport Planning and Systems, ETH Zurich（交通规划与系统研究所，苏黎世联邦理工学院）；Department of Computer Science, City University of Hong Kong (Dongguan)（计算机科学系，香港城市大学（东莞））；ZJU-UIUC Institute, Zhejiang University（浙大-UIUC研究院，浙江大学）
本文提出MoGERNN，一种结合图专家混合与图编码器-解码器的时空图模型，用于预测未观测位置的交通状态，实验显示其在观测与未观测区域均表现优异，且具备适应传感器网络变化的能力。
2026-04-18 cs.LG
Conditional independence testing under misspecified inductive biases
University of Michigan（密歇根大学）
本文研究基于回归的条件独立性检验在模型归纳偏置错误设定下的表现，提出依赖错误设定误差的检验误差上界，并设计鲁棒的RBPT方法，通过实验验证其有效性。
2023-10-27 cs.LG math.ST stat.ME
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
Reliable Prediction Intervals with Directly Optimized Inductive Conformal Regression for Deep Learning
University of Nottingham Ningbo China（宁波诺丁汉大学）
通过生成预测区间（PI）来量化深度学习回归中每个预测的不确定性，可以有效控制错误预测的风险。高质量的PI需要尽可能窄，同时覆盖预设比例的真实标签。目前，许多提高PI质量的方法可以有效地减少PI的宽度，但它们不能确保捕获足够的真实标签。归纳共形预测器（ICP）是一种算法，可以生成有效的PI，理论上保证覆盖预定比例的数据。然而，典型地，不直接优化ICP以产生最小PI宽度。然而，在这项研究中，我们使用直接优化的归纳共形回归（DOICR），只需要PI的平均宽度作为损失函数，并通过优化的计划，在PI中捕获足够的真实标签的有效性条件下，提高PI的质量。基准实验表明，DOICR优于当前最先进的算法，用于使用表格和图像数据的底层深度神经网络结构的回归问题。
2023-02-02 cs.LG
Calibration of Natural Language Understanding Models with Venn--ABERS Predictors
Royal Holloway, University of London（伦敦大学皇家霍洛威学院）
Transformers是目前自然语言理解（NLU）任务中最先进的方法，但它容易生成未校准的预测或极端概率，使得基于其输出做出不同决策的过程相对困难。在本文中，我们建议建立几个感应维恩-ABERS预测（IVAP），这是保证在最小的假设下，以及校准的基础上选择的预先训练的Transformers。我们在一组不同的NLU任务中测试了它们的性能，并表明它们能够产生均匀分布在[0，1]区间上的校准良好的概率预测-同时保持原始模型的预测准确性。
2022-07-15 cs.CL cs.LG
Discrete Object Generation with Reversible Inductive Construction
Princeton University（普林斯顿大学）；Columbia University（哥伦比亚大学）
连续域生成式建模的成功使得人们对生成分子、源代码和图形等离散数据的兴趣激增。然而，这些离散对象的构造历史通常不是唯一的，因此生成模型必须推理难以处理的大空间才能进行学习。此外，结构化离散域的特征通常是对构成有效对象的严格约束，生成模型必须尊重这些要求，以便生成有用的新样本。在这里，我们提出了一个生成模型，离散对象采用马尔可夫链的过渡被限制到一组本地操作，保持有效性。在去噪自动编码器的生成解释的基础上，马尔可夫链在产生1）有效但不是来自数据分布的损坏对象序列和2）尝试修复损坏同时也保持有效性的学习重建分布之间交替。这种方法限制生成模型只产生有效的对象，要求学习者只发现对对象的局部修改，并避免在未知的和潜在的大空间的构造历史上边缘化。我们评估所提出的方法在两个高度结构化的离散域，分子和拉曼图，并发现它相比有利的替代方法在捕捉分布统计的主机语义相关的指标。
2019-10-31 cs.LG stat.ML
Reevaluation of Inductive Link Prediction
AIT Austrian Institute of Technology GmbH（奥地利技术研究院）；University of Mannheim（曼海姆大学）
本文指出归纳式链接预测现有评估协议因负例采样规模过小存在严重缺陷，并在多个基准上采用直推式评估协议重新评估现有方法，同时提出改进的采样协议，发现评估结果与已有报告显著不同。
2024-09-30 cs.AI cs.LG
Inductive Conformal Prediction under Data Scarcity: Exploring the Impacts of Nonconformity Measures
Delft University of Technology（代尔夫特理工大学）；Radboud University（拉德堡德大学）
本研究评估了数据稀缺下归纳共形预测中多种非一致性度量的表现，发现没有单一度量始终最优，且增加数据量不一定提升效率，需根据数据特性选择度量。
2024-10-13 cs.LG
Conformal e-prediction
Vladimir Vovk（独立研究者）
该研究从现代视角系统重审共形预测与前身共形e预测的关系，指出共形e预测具备易设计条件预测器、交叉预测器有效性有保障等独有优势，且可模拟共形预测的部分优势。
2025-05-18 cs.LG stat.ML
Regression Conformal Prediction with Nearest Neighbours
Frederick University（弗雷德里克大学）；Royal Holloway, University of London（伦敦大学皇家霍洛威学院）
在本文中，我们共形预测（CP）的k-最近邻回归（K-NNR）算法，并提出了扩展的方法，用于回归到目前为止的典型的非一致性措施。与生成点预测的传统回归方法不同，保形预测器输出满足给定置信水平的预测区域。任何共形预测器产生的区域都是自动有效的，但是它们的紧密性和有用性取决于每个CP使用的非一致性度量。实际上，非一致性度量评估给定示例与基于某些传统机器学习算法的一组其他示例相比有多奇怪。我们定义了六个新的不符合措施的基础上的k-最近邻回归算法，并开发相应的CP以下的原始（转导）和归纳CP的方法。我们的措施与典型的回归措施的预测区域的比较表明，一个重大的改进，在预测区域的紧密性方面实现了新的措施。
2014-01-16 cs.LG
Approximate Conditional Coverage & Calibration via Neural Model Approximations
Reexpress AI；Harvard University（哈佛大学）
一个典型的迫切需要量化的不确定性从分类模型作为一个预测集是类条件单例集校准。也就是说，这样的集合应该映射到校准良好的选择性分类器的输出，匹配观察到的相似实例的频率。最近提出深度网络自适应和局部共形p值的工作并不能保证这种行为，也不能凭经验实现。相反，我们使用来自基于KNN的Transformer网络近似的预测可靠性的强信号来构建Mondrian Conformal Predictors的数据驱动分区，这些分区被视为弱选择性分类器，然后通过新的归纳Venn Predictor（Venn-ADMIT Predictor）进行校准。由此产生的选择性分类器是校准良好的，在一个保守的，但实际上有用的意义上，对于一个给定的阈值。它们对数据分区比例的变化具有固有的鲁棒性，并且简单的保守统计学对协变量偏移提供了额外的鲁棒性。我们比较和对比最近的共形预测器在几个具有代表性和挑战性的自然语言处理分类任务中产生的数量，包括类不平衡和分布偏移设置。
2022-12-01 cs.CL cs.LG
Computationally efficient versions of conformal predictive distributions
保形预测系统是保形预测器的最新修改，在回归问题中，输出测试观测标签的概率分布，而不是集合预测。由适形预测系统提供的额外信息可能是有用的，例如，在决策问题上。共形预测系统继承了共形预测器的相对计算效率低。在本文中，我们讨论了两个计算有效的版本的共形预测系统，我们称之为分裂共形预测系统和交叉共形预测系统。分裂共形预测系统的主要优点是其保证的有效性，而交叉共形预测系统的有效性仅凭经验，并在没有过度的随机化。交叉共形预测系统的主要优点是其更高的预测效率。
2019-11-03 cs.LG stat.ML
Distribution-Aware Conformal Prediction: A Framework for generating efficient prediction intervals for time series
Fraunhofer Institute for Highspeed Dynamics, Ernst-Mach-Institut, EMI Freiburg（弗劳恩霍夫高速动力研究所，恩斯特-马赫研究所，EMI弗赖堡）
提出分布感知共形预测（DCP）框架，通过集成概率预测器与分数无关的共形校准，为时间序列生成有效且高效的预测区间。
2026-05-26 cs.LG
Learning Visual Dynamics Models of Rigid Objects using Relational Inductive Biases
Institute for Anthropomatics and Robotics, Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院（KIT）人类工程学与机器人研究所）；Stanford University（斯坦福大学）
赋予机器人类似人类的物理推理能力仍然具有挑战性。我们认为，现有的方法往往忽视时空关系，并通过使用图神经网络（GNNs），结合了关系归纳偏见，我们可以转向利用关系的学习过程。在这项工作中，我们学习行动条件的前向动力学模型的模拟操作任务，从视觉观察，涉及杂乱和不规则形状的物体。我们研究了两种GNN方法，并根据经验评估了它们推广到具有新颖和越来越多对象的场景的能力。第一种，基于图网络（GN）的方法，考虑了显式定义的边缘属性，它不仅始终表现不佳，我们修改了预测未来状态的自动编码器基线，我们的结果表明不同的边缘属性可以显着影响预测。因此，我们开发的自动预测，不依赖于明确定义的边缘属性。它优于基线和基于GN的模型。总的来说，我们的研究结果显示了基于GNN的方法对任务表示的敏感性，关系归纳偏差的有效性，并主张选择轻量级方法，这些方法隐含地推理关系，而不是将这些决定留给人类设计师。
2019-10-23 cs.CV cs.LG eess.IV
Kernel Autoresearch for Open-Ended Model Discovery
CUHK-Shenzhen（香港中文大学（深圳））；University of British Columbia（不列颠哥伦比亚大学）
针对自动化核设计有效性与表达性的矛盾，提出Kernaut框架，将核设计视为开放式模型发现，通过构造契约保证有效性，利用质量-多样性档案和新颖性筛选发现可泛化、可解释的核，实验证明其优于元学习深度核并可由人类改进。
2026-10-08 cs.LG
Group conditional validity via multi-group learning
我们考虑了无分布的保形预测问题和群体条件有效性准则。这个标准是由许多实际场景，包括隐藏分层和组公平的动机。现有的方法实现这样的保证下，限制性的分组结构或分布假设，或者他们是过度保守的异方差噪声。我们提出了一个简单的减少的问题，实现有效性保证个别人口利用算法的问题称为多组学习。这使我们能够从多组学习中获得理论保证，以获得保形预测的样本复杂性保证。我们还提供了一个新的算法，多组学习的层次结构的群体。在我们的约简中使用该算法可以通过更简单的预测器结构来改善样本复杂度保证。
2023-03-19 cs.LG math.ST stat.TH
Conditional validity of heteroskedastic conformal regression
Ghent University（根特大学）
本文研究异方差回归中保形预测区间的条件有效性问题，通过归一化和Mondrian保形预测等方法构建自适应预测区间，并从理论和实验上系统比较了这些方法的条件有效性及其对数据分布假设的依赖关系。
2024-04-30 cs.LG stat.ML
Symmetry and Generalisation in Machine Learning
St Anne’s College（圣安妮学院）
本文利用平均算子证明正确设定的等变预测器可严格降低测试风险，并在最小二乘与核岭回归中量化对称性带来的泛化收益。
2025-01-07 cs.LG stat.ML
Discussion: Effective and Interpretable Outcome Prediction by Training Sparse Mixtures of Linear Experts
Institute for High Performance Computing and Networking (ICAR-CNR)（高性能计算与网络研究所（ICAR-CNR））
本文提出训练稀疏逻辑回归专家混合模型，以端到端方式自动选择特征，实现可解释且高效的过程结果预测，并在基准日志上验证了其有效性。
2024-07-18 cs.LG
Beyond Marginal Validity: Finite-Sample Guarantees for Localized Conformal Prediction
EPITA（法国高等计算机与电子技术学院）
针对随机局部共形预测（RLCP）缺乏同时控制条件有效性和先验效率的有限样本保证的问题，本文在特定假设下推导了相关高概率界，阐明了带宽偏差-方差权衡，还分析了数据拆分学习得分的情况，为RLCP提供了理论支撑。
2026-08-07 cs.LG stat.ML
conformalClassification: A Conformal Prediction R Package for Classification
conformalClassification包为分类问题实现了Transductive共形预测（TCP）和归纳共形预测（ICP）。共形预测（CP）是一个框架，它通过可靠的置信度测量来补充机器学习算法的预测。TCP给出的结果具有比ICP更高的有效性，但是ICP在计算上比TCP更快。包conformalClassification基于随机森林方法构建，其中每个类的随机森林投票被认为是每个数据点的一致性得分。虽然conformalClassification包的主要目的是为分类问题生成CP错误（p值），但该包还实现了各种诊断措施，如有效性偏差，错误率，效率，观察到的模糊度和校准图。在未来的版本中，我们计划扩展该软件包以使用其他机器学习算法（例如支持向量机）进行模型拟合。
2018-04-16 cs.LG stat.ML
Stacked conformal prediction
Insper Institute of Education and Research（Insper教育与研究学院）
本文提出一种对堆叠预测模型进行置信校准的方法，通过顶层元学习器的简单形式实现可控计算成本，无需额外校准样本即可近似达到边际有效性。
2025-07-08 cs.LG stat.ML
Conformal Prediction and Trustworthy AI
School of Computer Science, University of Nottingham Ningbo China（诺丁汉大学宁波校区计算机科学学院）
本文回顾了保形预测在超越边际有效性属性下对可信AI的贡献潜力，展示了其在泛化风险、AI治理及偏见识别与缓解中的应用。
2025-08-09 cs.LG
Efficiency of conformalized ridge regression
保形预测是一种产生预测集的方法，可以应用于各种预测算法之上。该方法在标准IID假设下具有保证的覆盖概率，而不管底层算法的假设（通常限制性更大）是否满足。然而，为了使该方法真正有用，希望在满足基础算法的假设的情况下，与基础算法相比，适形预测器在效率上损失很少（而作为适形预测器，它具有更强的有效性保证）。在本文中，我们探讨在贝叶斯岭回归的情况下，这种额外的要求是满足的程度，我们发现，渐近共形预测集不同的岭回归预测区间时，标准的贝叶斯假设得到满足。
2014-04-08 cs.LG stat.ML
Can Tabular In-Context Learners Generalize to Biomolecular Property Prediction?
CSIRO（澳大利亚联邦科学与工业研究组织）
本文研究表格基础模型（如TabPFN3和TabICL）在生物分子性质预测中的泛化能力，发现其性能取决于所使用的序列或分子表示。
2026-07-09 cs.LG q-bio.QM stat.ML
A Conformal Prediction Approach to Explore Functional Data
Carnegie Mellon University（卡内基梅隆大学）
本文应用共形预测技术计算函数型数据的同时预测带和聚类树。这些工具可用于检测离群值和聚类。我们的预测带和聚类树都为底层随机过程提供了预测集，保证了有限样本行为，没有分布假设。预测集也是信息性的，因为它们对应于底层过程的高密度区域。虽然普通的共形预测有很高的计算成本的功能数据，我们使用的归纳共形预测，以及几个新的选择一致性得分，以简化计算。我们的方法说明了一些实际数据的例子。
2013-02-26 cs.LG stat.ML
PAC-Bayes Generalization Certificates for Learned Inductive Conformal Prediction
NVIDIA Research（英伟达研究院）；Princeton University（普林斯顿大学）；Harvard University（哈佛大学）；Stanford University（斯坦福大学）
本文针对学习型 ICP 预测集合的覆盖率与效率泛化问题，提出 PAC-Bayes 泛化界及可利用全部校准数据联合微调模型与评分函数的算法，在低数据回归和分类任务上优于 Hoeffding 基线。
2023-12-07 cs.LG stat.ML
Conformal Prediction in Learning Under Privileged Information Paradigm with Applications in Drug Discovery
Uppsala University（乌普萨拉大学）；AstraZeneca（阿斯利康）
本文探讨了特权信息下学习（LUPI）范式中的共形预测。我们使用SVM+实现的LUPI的归纳共形预测，并将其应用到MNIST基准数据集和三个数据集的药物发现。结果表明，使用特权信息产生有效的模型，并提高了效率相比，标准的SVM，但改善测试数据集之间的差异，并没有实质性的药物发现应用。更重要的是，在共形预测框架中使用SVM+可以在指定的显著性水平上实现有效的预测区间。
2018-04-04 cs.LG stat.AP stat.ML
IDP-PGFE: An Interpretable Disruption Predictor based on Physics-Guided Feature Extraction
Huazhong University of Science and Technology（华中科技大学）
本文提出了一种基于物理引导特征提取的可解释破裂预测器IDP-PGFE，通过提取物理特征提升预测性能，并在J-TEXT上验证了其解释结果与现有破裂物理机制认知一致。
2024-09-26 cs.AI cs.LG physics.plasm-ph
Prediction-Powered Conditional Inference
University of California, Los Angeles（加州大学洛杉矶分校）
本文提出一种预测驱动的条件推断方法，在标记数据稀缺的情况下利用机器学习预测器和未标记协变量，通过局部化与方差缩减技术提高统计效率，实现更精确的置信区间估计。
2026-09-01 cs.LG stat.ML
Copula-based conformal prediction for Multi-Target Regression
HEUDIASYC - UMR CNRS 7253（法国国家科学研究中心7253联合研究单位 启发式与诊断复杂系统实验室）；Université de Technologie de Compiègne（贡比涅技术大学）
有相对较少的作品处理多任务学习问题的共形预测，这是特别真实的多目标回归。本文重点讨论了提供有效（即，频率校准）多变量预测。为此，我们建议使用应用于深度神经网络的copula函数进行归纳共形预测。我们表明，所提出的方法，确保效率和有效性的多目标回归问题的各种数据集。
2021-01-28 cs.AI cs.LG stat.ML
Distribution-Free Finite-Sample Guarantees and Split Conformal Prediction
University of Oxford（牛津大学）；St. Anne’s College（圣安妮学院）
现代黑盒预测模型通常伴随着弱性能保证，仅在数据集的大小上渐近保持或需要强参数假设。针对这一点，分裂共形预测是一个有前途的途径，以获得有限样本的保证下最小的分布自由的假设。虽然预测集的有效性最经常关注的边缘覆盖，我们探索相关的，但不同的保证公差区域，重新制定已知的结果在语言的嵌套预测集和扩展的二元性之间的边缘覆盖和公差区域。此外，我们强调分裂共形预测和经典的公差预测在20世纪40年代，以及最近的事态发展，在分布免费的风险控制之间的联系。从经典公差预测器转移的一个结果是，基于顺序统计量的预测集的覆盖范围（以校准集为条件）是随机支配β分布的随机变量。我们证明了我们的研究结果的实证有效性合成和真实的数据集使用一个流行的分裂共形预测程序，称为共形分位数回归（CQR）。
2022-10-26 cs.LG stat.ML
MEC: Machine-Learning-Assisted Generalized Entropy Calibration for Semi-Supervised Mean Estimation
Texas A\&M University（德克萨斯A&M大学）；Iowa State University（爱荷华州立大学）
提出MEC方法，通过交叉拟合校准加权改进预测驱动推断，在半监督均值估计中实现半参数效率界，并提升置信区间覆盖率和精度。
2026-05-28 cs.LG stat.ML
Multi-CATE: Multi-Accurate Conditional Average Treatment Effect Estimation Robust to Unknown Covariate Shifts
Ludwig-Maximilians-University of Munich（慕尼黑大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；Cornell University（康奈尔大学）；University of Southern California（南加州大学）
提出Multi-CATE方法，通过多准确预测器后处理CATE T-learners和DR-learner，结合观察与随机数据集，提升对未知协变量偏移的鲁棒性，降低偏差和均方误差，实现因果推断的外部有效性。
2024-10-17 cs.LG 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
Stacking Models for Nearly Optimal Link Prediction in Complex Networks
University of Colorado（科罗拉多大学）；University of Southern California（南加利福尼亚大学）；Harvard University（哈佛大学）；Temple University（天普大学）；Santa Fe Institute（圣塔菲研究所）
大多数真实世界的网络都是不完全观察到的。能够准确预测哪些链路缺失的算法可以大大加快网络数据的收集速度，提高网络模型的有效性。现在存在许多算法来预测缺失的链接，给定一个部分观察到的网络，但它仍然是未知的是否存在一个单一的最佳预测，如何链接可预测性不同的方法和网络从不同的领域，以及如何接近最优性目前的方法。我们回答这些问题，系统地评估203个单独的链接预测算法，代表三个流行的家庭的方法，适用于一个大型语料库的548个结构不同的网络从六个科学领域。我们首先表明，个别算法表现出广泛的多样性的预测误差，这样，没有一个预测或家庭是最好的，或最坏的，在所有现实的输入。然后，我们通过元学习来利用这种多样性，构建一系列“堆叠”模型，将预测器组合到一个算法中。应用于广泛的合成网络，我们可以分析计算最佳性能，这些堆叠模型实现了最佳或接近最佳的准确性水平。应用于现实世界的网络，堆叠模型也是优越的，但它们的准确性因领域而异，这表明链接预测在社交网络中可能比在生物或技术网络中更容易。这些结果表明，链接预测的最新技术来自于组合各个算法，从而实现接近最佳的预测。最后，我们简要讨论了进一步改进这些结果的局限性和机会。
2019-09-17 cs.LG cs.SI physics.data-an
Bridging conformal prediction and scenario optimization
University of Oxford（牛津大学）；Technical University of Denmark（丹麦技术大学）
该研究通过聚焦普通保形预测，严格证明了如何选择评分函数和集合预测器以恢复情景规划的约束违反概率界限，并利用情景方法分析校准条件保形预测，从而在保形预测与情景优化之间建立了理论桥梁。
2025-04-01 cs.LG cs.SY eess.SY
Classification with Reject Option: Distribution-free Error Guarantees via Conformal Prediction
Department of Computer Science, Royal Holloway, University of London（伦敦大学皇家霍洛威学院计算机科学系）；Department of Mathematics, Stockholm University（斯德哥尔摩大学数学系）
本文基于共形预测（CP）形式化了二元分类中的拒绝选项方法，通过仅接受单例预测将CP转化为带拒绝选项的分类器，并推导了无分布的误差率理论保证与有限样本估计，最后通过数值示例和错误-拒绝曲线展示了不同设置下的表现与权衡。
2025-06-26 cs.LG stat.ML
Self-Organized Conformal Prediction: Reducing Regional Coverage Gaps with Unsupervised Group Discovery
提出自组织共形预测（SOCP），利用自组织映射（SOM）发现输入空间中的组，并在测试时从最佳匹配单元（BMU）或固定网格邻域提取局部校准缓冲区，以减少区域覆盖缺口，无需监督划分或重新训练预测器。
2026-10-15 cs.AI cs.LG stat.ML
Composition of Relational Features with an Application to Explaining Black-Box Predictors
APPCAIR, BITS Pilani（BITS Pilani APPCAIR）；BITS Pilani, K.K. Birla Goa Campus（BITS Pilani K.K. Birla果阿校区）；TCS Research（TCS研究院）；Macquarie University（麦考瑞大学）；University of New South Wales（新南威尔士大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
针对关系机器学习难以适配深度学习发展的问题，提出基于函数广义组合的组合关系机（CRM），可构建可解释模型并为黑盒预测器提供解释，合成数据实验验证了其解释识别能力。
2023-05-06 cs.AI cs.LG cs.NE
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
MAGNET: Manifold-Aware Graph Diffusion Network for Connectome Generation
University at Buffalo, SUNY（纽约州立大学布法罗分校）；National Institutes of Health（美国国立卫生研究院）；POSTECH（浦项科技大学）
本研究提出MAGNET流形感知图扩散网络，用于生成功能脑连接组，在三类数据集上提升类条件保真度与采样效率，零样本下维持临床异质性，证明几何有效性是连接组合成临床效用的必要非充分条件。
2026-10-27 cs.AI cs.CV cs.LG
