Conformal prediction intervals for the individual treatment effect
我们提出了几个预测区间的个人处理效应与有限样本或渐近覆盖保证在非参数回归设置，其中允许非线性回归函数，异方差和非高斯。我们使用Vovk等人（2005）的保形方法构建预测区间。在广泛的模拟中，我们比较了我们的预测区间过程的覆盖概率和区间长度。我们证明，复杂的学习算法，如神经网络，可以导致更窄的预测区间比简单的算法，如线性回归，如果样本量是足够大的。
2020-06-02 stat.ME
Selection and Aggregation of Conformal Prediction Sets
针对一族机器学习算法下的保形预测区域最小化问题，提出两种通用选择算法，分别实现最小宽度与有限样本覆盖保证，并通过 oracle 不等式量化次优性。
2024-04-11 stat.ME
Beyond Data Splitting: Full-Data Conformal Prediction by Differential Privacy
Purdue University（普渡大学）；University of Pittsburgh（匹兹堡大学）
本文提出一种基于差分隐私的全数据符合预测框架，通过稳定性控制和保守分位数程序实现隐私保护下的高覆盖水平。
2026-03-08 cs.LG stat.ML
On the Out-of-Distribution Coverage of Combining Split Conformal Prediction and Bayesian Deep Learning
The MITRE Corporation（MITRE公司）
本研究探讨贝叶斯深度学习与拆分共形预测结合对多类别图像分类分布外覆盖性的影响，指出模型校准集置信度高低会带来不同效果，实验发现该结合在部分场景下会产生降低分布外覆盖性的意外后果。
2024-03-07 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
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
On Optimal Data Splitting for Split Conformal Prediction
Department of Statistics and Data Science, Washington University in St. Louis（华盛顿大学圣路易斯分校统计与数据科学系）；Department of Electrical and Systems Engineering, Washington University in St. Louis（华盛顿大学圣路易斯分校电气与系统工程系）
研究分割共形预测中训练与校准样本的最优分割比例，提出理论框架并推导长度最优分割比，给出数据驱动选择方法，实验验证有效性。
2026-07-01 cs.LG math.ST stat.ML
Universal distribution of the empirical coverage in split conformal prediction
Insper（因斯佩尔学院）
本研究推导了可交换数据下批量拆分共形预测中经验覆盖率及其极限的精确通用分布，该分布仅由名义误覆盖率和校准样本量决定，为应用中校准样本量的选择提供了依据。
2024-09-21 cs.LG math.ST stat.ML
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
Split Conformal Prediction under Data Contamination
Department of Statistics, University of Oxford（统计系，牛津大学）；Department of Statistics, University of Warwick（统计系，沃里克大学）；Department of Mathematics, UCLA（数学系，加州大学洛杉矶分校）；Department of Mathematics, Université libre de Bruxelles（数学系，布鲁塞尔自由大学）
本文研究了在数据污染环境下分割置信预测的鲁棒性，提出抗污染置信预测方法，并通过实验验证其有效性。
2025-11-28 cs.LG stat.ML
Split Localized Conformal Prediction
University of Texas at Austin（德克萨斯大学奥斯汀分校）
共形预测是一种简单而强大的工具，它可以量化不确定性，而无需任何分布假设。许多现有的方法仅解决平均覆盖保证，这与更强的条件覆盖保证相比是不理想的。现有的近似条件覆盖的方法需要额外的模型或时间，这使得它们不容易扩展。在本文中，我们提出了一个修改后的非一致性分数，利用本地近似的条件分布使用核密度估计。改进后的分数继承了分裂共形方法的思想，简单有效，可以扩展到高维环境。我们还提出了一个统一的框架，汇集了我们的方法和几个国家的最先进的。我们进行了广泛的实证评估：平均和条件覆盖率测量的结果证实了我们的方法的优势。
2023-02-20 cs.LG stat.ML
Multi-Variable Conformal Prediction: Optimizing Prediction Sets using Multiple Calibration Variables
TU Munich & MCML, Germany（慕尼黑技术大学及MCML，德国）；Politecnico di Milano, Italy（米兰理工学院，意大利）；University of Brescia, Italy（布雷西亚大学，意大利）；ETH Zürich, Switzerland（苏黎世联邦理工学院，瑞士）
本文提出多变量符合预测框架，通过统一预测集设计与校准为单优化问题，无需数据分割即可保证覆盖概率。RemMCP和RelMCP在椭圆和多模预测集中表现出更小的预测集大小和更低的方差。
2026-10-28 cs.LG stat.ML
Localized Conformal Prediction: A Generalized Inference Framework for Conformal Prediction
我们提出了一个新的推理框架，称为本地化的共形预测。它概括了共形预测的框架，提供了一个单一的测试样本的自适应建设，强调这个测试样本周围的局部区域，并可以与不同的共形得分结构相结合。所提出的框架享有一个无约束的有限样本边际覆盖保证，它也提供了额外的本地覆盖保证在适当的假设。我们演示了如何改变从共形预测到局部共形预测使用几个共形分数，我们说明了通过数值例子的潜在收益。
2022-02-28 math.ST stat.ME stat.TH
Split Conformal Classification with Unsupervised Calibration
BCAM-Basque Center for Applied Mathematics and IKERBASQUE-Basque Foundation for Science（BCAM巴斯克应用数学中心和IKERBASQUE巴斯克科学基金会）
本文提出一种用于分类任务的无监督校准分裂共形预测方法，利用无监督校准样本和训练样本构建集合预测规则，在性能保证和计算效率适度下降的情况下达到与有监督校准相当的性能。
2025-10-14 cs.LG 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 using Conditional Histograms
本文提出了一种计算非参数回归预测区间的保角方法，该方法可以自动适应偏斜数据。利用黑盒机器学习算法来使用直方图估计结果的条件分布，它将其输出转换为具有近似条件覆盖的最短预测区间。所得的预测区间可证明在有限样本中具有边际覆盖，而如果黑箱模型是一致的，则渐近地实现条件覆盖和最优长度。模拟和真实数据的数值实验表明，改进的性能相比，国家的最先进的替代品，包括保形分位数回归和其他分布共形预测的方法。
2021-10-24 stat.ME stat.ML
Conformal calibrators
大多数现有的例子，充分的共形预测系统，分裂共形预测系统，交叉共形预测系统施加严格的限制，预测分布的适应测试对象。在本文中，我们开发了分裂共形和交叉共形预测系统，是完全自适应的。我们的方法包括在校准现有的预测系统的输入预测系统不应该满足任何属性的有效性，而输出预测系统是保证校准的概率。有趣的是，该方法也可以在没有IID假设的情况下工作，IID假设是共形预测中的标准。
2019-02-18 cs.LG stat.ML
Design-based conformal prediction
本文邀请调查方法学家使用保形预测，在基于设计的有限总体推断框架下将其应用于复杂样本调查数据，并通过模拟和真实数据验证其有限样本覆盖率保证。
2023-07-27 stat.ME stat.ML
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
Distribution-free Conformal Prediction for Ordinal Classification
针对有序分类问题，本文结合共形预测与FWER控制的多重检验，提出基于边际和类别特定条件共形p值的连续、非连续预测集构建方法，理论证明其覆盖性能达标，实验验证其优于现有共形方法。
2024-11-02 stat.ME stat.ML
Missed opportunities in large scale comparison of QSAR and conformal prediction methods and their applications in drug discovery
最近，Bosc等人（J Cheminform 11（1）：4，2019）发表了一篇文章，描述了一项案例研究，该研究直接比较了共形预测与传统QSAR方法对靶标-配体结合的大规模预测。我们认为这项研究非常重要。不幸的是，我们在作者的方法以及他们的发现的陈述中发现了几个问题。
2020-01-21 stat.AP stat.ME
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
Conformal Prediction for Ensembles: Improving Efficiency via Score-Based Aggregation
针对集成预测，提出一种将标量评分扩展为多元评分的共形聚合框架，以生成更高效的预测区域，并在分类和回归任务中验证其优于现有方法。
2025-05-23 stat.ME stat.ML
Boosted Conformal Prediction Intervals
本文提出一种基于梯度提升的增强保形程序，在训练后仅利用模型预测来优化保形预测区间，显著缩短区间长度并提高条件覆盖率。
2024-11-09 stat.ME stat.ML
Exchangeability, Conformal Prediction, and Rank Tests
共形预测是近年来机器学习和统计学中一种非常流行的无分布预测推理方法。它的流行源于这样一个事实，即它可以作为任何预测算法（如神经网络或随机森林）的包装器。互换性是共形预测有效性的核心。交换率的概念也是非参数统计中广为人知的秩检验的核心。在本文中，我们回顾了交换的概念，并讨论了共形预测和秩检验的含义。我们提供了一个低层次的介绍这些主题，并讨论了共形预测和秩检验之间的相似之处。
2021-06-04 stat.AP stat.ME stat.ML
Smoothing-Based Conformal Prediction for Balancing Efficiency and Interpretability
Shanghai University of Finance and Economics（上海财经大学）；Fudan University（复旦大学）
针对 CD-split 预测集含多个不相连子区间、难以解释的问题，提出融入平滑操作的 SCD-split，在保持覆盖保证和区间长度的同时减少子区间数量。
2025-09-26 cs.LG stat.ML
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
Conformal prediction for frequency-severity modeling
School of Applied Mathematics, Getulio Vargas Foundation（应用数学学院，格尔瓦斯基金会）；Insper Institute of Education and Research（Insper教育与研究学院）；SUSEP - Superintendence of Private Insurance（私人保险监管局）；UERJ - State University of Rio de Janeiro（里约热内卢州立大学）
本研究提出一种具备有限样本统计保证的模型无关框架，将拆分共形预测拓展至保险索赔的两阶段频率-强度建模领域，还针对随机森林强度模型拓展算法，利用袋外机制省去校准集需求。
2025-06-19 cs.LG stat.ME stat.ML
Stable Localized Conformal Prediction via Transduction
School of Statistics；Data Science, Nankai University, Tianjin, China；School of Mathematics \& Statistics, The University of Melbourne, Melbourne, Australia
本文提出StCP方法，通过利用源任务标签数据和目标未标记数据，提升有限校准数据下的预测集稳定性，尤其对具有局部化的算法效果更佳。
2026-05-02 cs.LG 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
Predictive Conformal Slip Monitoring: An Empirical Evaluation of Rolling Split Conformal Prediction for Pre-Incident Traction Loss Detection
The ICFAI Foundation for Higher Education（ICFAI高等教育基金会）
本文实证评估滚动分割符合预测在赛车牵引力损失前发出预警的有效性，发现该方法在19名车手和55,563个样本中精确率和召回率均为0，误报率高，结论为阴性。
2026-07-03 cs.LG stat.AP
Efficient and minimal length parametric conformal prediction regions
共形预测方法为在有限样本中有效的iid数据构造预测区域。我们提供了两个参数共形预测区域，适用于广泛的一类连续统计模型。这类统计模型包括具有连续结果的广义线性模型（GLM）。我们的参数共形预测区域具有有限的样本有效性，即使当模型是错误的，并渐近的最小长度时，模型是正确的指定。第一参数共形预测区域通过预测器空间的分箱构造，保证有限样本局部有效性，并且当预测器空间的维度$d$为1或2时在$\sqrt{\log(n)/n}$速率下渐近最小，并且当$d > 2$为1或2时在$O\{(\log(n)/n)^{1/d}\}$速率下收敛。第二参数共形预测区域是通过概率积分变换将结果变量变换为公共分布来构造的，保证有限样本边缘有效性，并且在$\sqrt{\log(n)/n}$速率下渐进最小。我们开发了一个新的集中不等式式的极大似然估计，诱导这些收敛速度。我们分析了预测区域覆盖特性，大样本效率，和鲁棒性的四种方法构建共形预测的GLM区间：完全非参数的基于内核的共形，基于残差的共形，归一化残差的共形，和参数共形使用假设的GLM密度作为一致性措施。广泛的模拟比较这些方法的标准渐近预测区域。参数共形预测区域的效用被证明在糖化血红蛋白水平，用于诊断糖尿病的血液测量的间隔预测的应用。
2019-10-25 math.ST stat.AP stat.ME
Extreme Conformal Prediction: Reliable Intervals for High-Impact Events
Research Institute for Statistics and Information Science, University of Geneva（日内瓦大学统计与信息科学研究院）；Department of Industrial Engineering and Operations Research, Columbia University（哥伦比亚大学工业工程与运筹学系）
本文提出极端值统计与置信预测结合的方法，解决高置信度下预测区间过宽问题，适用于洪水风险预测等高影响事件。
2026-03-31 stat.AP stat.ME stat.ML
Fuzzy Prediction Sets: Conformal Prediction with E-values
Erasmus University Rotterdam（鹿特丹伊拉斯姆斯大学）
本文提出模糊预测集，扩展了传统预测集，通过数据驱动的置信水平进行排除，继承e值的合并性质，并展示最优e值如何生成最优模糊预测集。
2026-03-31 math.ST stat.ME stat.ML
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
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
Applying Regression Conformal Prediction with Nearest Neighbors to time series data
在本文中，我们应用共形预测的时间序列数据。共形预测是一种在给定置信水平的情况下产生预测区域的方法。区域输出在交换假设下总是有效的。然而，这个假设并不适用于时间序列数据，因为过去、当前和未来的观测值之间存在联系。因此，将共形预测器应用于时间序列数据问题的挑战在于，时间序列的观测值是相关的，因此不满足交换假设。本文提出了一种在时间序列中利用共形预测子构造可靠预测区间的方法。我们使用基于加权最近邻方法中的快速参数调整技术的最近邻方法（FPTO-WNN）作为底层算法。数据分析证明了该方法的有效性。
2021-10-25 stat.CO stat.ME stat.ML
Class-Conditional Conformal Prediction with Many Classes
University of California, Berkeley（加州大学伯克利分校）；MIT（麻省理工学院）
本文提出聚类共形预测方法，通过将共形分数相似的类别聚类后在聚类级别进行预测，解决了多类别且每类标注数据有限时的类条件覆盖保证问题，并在最多1000类的图像数据集上验证了其优越性。
2023-10-27 cs.CV cs.LG stat.ME
Isotonic Conformal Inference
Department of Mathematics and Statistics, McGill University（麦吉尔大学数学与统计学系）；Mila；Eli Lilly and Company（艾莉有限公司）
研究如何进行可靠的不确定性量化，提出等距共形预测框架，开发分割等距共形预测和转导等距共形预测两种方法，能在保持覆盖率的同时大幅降低计算成本，实现自校准和预测条件有效性。
2026-10-27 cs.LG stat.ME stat.ML
Self-Calibrating Conformal Prediction
University of Washington（华盛顿大学）；UC Berkeley（加州大学伯克利分校）；UCSF（加州大学旧金山分校）
本研究提出结合Venn-Abers校准与共形预测的自校准共形预测方法，将Venn-Abers拓展至回归，可生成校准点预测及有条件有限样本有效性的预测区间，经实验验证提升了区间效率。
2024-10-31 cs.LG stat.ME 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
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
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
Anytime-Valid Tests of Group Invariance through Conformal Prediction
本文提出一种基于保形预测的任意时间有效检验方法，用于检验紧致群作用下的不变性，其统计量在对数增长意义下最优，并扩展了独立性检验及正态性检验。
2024-05-23 math.ST stat.ME stat.TH
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
Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores
University of California, Berkeley（加利福尼亚大学伯克利分校）；Inria（法国国家信息与自动化研究所）
针对标准 conformal 预测仅保证边际覆盖的局限，本研究提出基于分类器置信度和信任分数的改进算法，在分类器过度自信于错误预测的关键场景提升条件覆盖，实证显示其在多图像数据集上改善了类别、子组等条件覆盖特性。
2025-02-09 cs.AI cs.LG stat.ME
Confidence on the Focal: Conformal Prediction with Selection-Conditional Coverage
针对焦点单元选择偏差导致保形预测边际覆盖失效问题，提出适用于任意排列不变选择规则的有限样本精确条件覆盖框架，推广Mondrian方法并实现多种规则的高效计算，在药物发现和健康风险预测中验证了性能。
2025-04-17 math.ST stat.ME stat.ML
Unifying Different Theories of Conformal Prediction
University of Chicago（芝加哥大学）；University of California, Berkeley（加州大学伯克利分校）
本文统一了多种符合预测方法，揭示了其基于部分信息和条件分布的核心思想，并提出了新的理论保证和扩展。
2025-12-21 math.ST stat.TH
Conformal Prediction: a Unified Review of Theory and New Challenges
Politecnico di Milano（米兰理工大学）；European Commission, Joint Research Centre (JRC)（欧盟委员会联合研究中心）
本文对无分布非参数预测方法Conformal Prediction展开统一综述，梳理其理论基础，同时列举该方法的前沿发展与适配方向，为相关领域研究提供系统参考。
2022-07-29 cs.LG econ.EM stat.ME
Efficient and Differentiable Conformal Prediction with General Function Classes
Salesforce Research（赛富时研究院）；UC Berkeley（加州大学伯克利分校）
量化学习任务中的数据不确定性通常通过学习给定输入的标签的预测区间或预测集来完成。学习的预测集的两个常用属性是\emph{valid coverage}和\emph{good efficiency}（例如低长度或低基数）。保形预测是一种用于学习具有有效覆盖的预测集的强大技术，但默认情况下，其保形化步骤仅学习单个参数，并且不会优化更具表达性的函数类的效率。在本文中，我们提出了一个推广的共形预测多个可学习的参数，通过考虑约束的经验风险最小化（ERM）问题，找到最有效的预测集有效的经验覆盖。该元算法推广了现有的共形预测算法，我们表明，它实现了近似的有效人口覆盖率和类内接近最优的效率，只要在一致化步骤中的函数类在一定意义上是低容量的。接下来，这个ERM问题是具有挑战性的优化，因为它涉及到一个不可微的覆盖约束。我们开发了一个基于梯度的算法，它通过使用可微代理损失和拉格朗日近似的原始约束ERM。实验表明，该算法能够有效地学习预测集，并在改进长度的预测区间、用于多输出回归的最小体积预测集和用于图像分类的标签预测集等应用中显著提高了效率。
2022-05-29 cs.AI cs.LG math.ST
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
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
Differentially Private Conformal Prediction
School of Mathematics and Statistics（数学与统计学学院）；Beijing Jiaotong University（北京交通大学）；Department of Mathematical and Statistical Sciences（数学与统计学系）；University of Alberta（阿尔伯塔大学）
本文研究如何在统计效率下将符合预测应用于差分隐私。提出差分符合预测，结合差分隐私模型训练和隐私量化机制，提供端到端隐私保障，并在实验证明其预测集更紧。
2026-04-19 cs.LG stat.ML
Trimmed Conformal Prediction for High-Dimensional Models
在回归中，共形预测是以无分布的方式构造预测区间的一般方法。虽然保形预测保证了预测推理的强统计特性，但其固有的计算挑战引起了研究者的关注。在本文中，我们提出了一个新的框架，称为修剪共形预测（TCP），基于两个阶段的过程，修剪步骤和预测步骤。这个想法是使用一个初步的修剪步骤，以大大减少预测区间的可能值的范围，然后应用保形预测变得更加有效。与共形预测一样，TCP可以应用于任何回归方法，并进一步提供统计精度和计算增益。对于一个具体的例子，我们还展示了如何在稀疏回归设置中实现TCP。通过对合成数据和实际数据的实验，验证了TCP的经验性能.
2016-11-29 math.ST stat.TH
