Conformalized Adaptive Forecasting of Heterogeneous Trajectories
University of Southern California（南加州大学）
针对运动规划中异构轨迹行为不确定性难可靠估计的问题，提出融合多类共形预测与异方差处理技术的共形化自适应预测方法，可生成带有限样本保证的高信息量轨迹预测带。
2024-05-15 cs.LG 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
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
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
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
Improving Adaptive Conformal Prediction Using Self-Supervised Learning
University of Cambridge（剑桥大学）；University of California, Los Angeles（加州大学洛杉矶分校）；The Alan Turing Institute（艾伦·图灵研究所）
保形预测是一个强大的不确定性量化的无分布工具，建立有效的预测区间与有限样本的保证。为了产生有效的间隔，也适应每个实例的难度，一种常见的方法是计算一个单独的校准集上的归一化不一致性分数。自监督学习已被有效地用于许多领域，以学习下游预测器的一般表示。然而，除了模型预训练和表示学习之外，自我监督的使用在很大程度上还没有被探索过。在这项工作中，我们研究了自我监督的借口任务如何提高共形回归的质量，特别是通过提高共形区间的适应性。我们训练一个辅助模型，在现有的预测模型的基础上，使用自监督的借口任务，并使用自监督的错误作为一个额外的功能来估计不合格分数。我们经验证明的好处，额外的信息使用合成和真实的数据上的效率（宽度），赤字，和过剩的共形预测区间。
2023-02-23 cs.LG stat.ML
Adaptive Conformal Prediction for Image Regression Models with Application to an Inertial Confinement Fusion Emulator
Texas A&M University（德州农工大学）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
针对图像回归模型的不确定性量化问题，提出基于最近邻的自适应共形预测框架ACPNN，利用高斯过程学习距离度量，在ICF仿真扩散模型上实现可靠的自适应不确定性估计。
2026-10-02 cs.LG stat.ML
Adaptive Conformal Prediction via Bayesian Uncertainty Weighting for Hierarchical Healthcare Data
Rochester Institute of Technology（罗切斯特理工学院）
本文提出一种结合贝叶斯不确定性加权与置信校准的混合框架，用于提升医疗数据中的不确定性量化精度与覆盖保证。
2026-01-03 cs.LG stat.ML
Conformal Prediction for Time Series with Modern Hopfield Networks
Google Research（谷歌研究院）
针对时间序列自相关性破坏保形预测假设的问题，提出 HopCPT，利用现代 Hopfield 网络处理并借助时间依赖，在四个领域的多个真实数据集上取得优于现有方法的表现。
2023-11-02 cs.AI cs.LG stat.ML
Improved conformalized quantile regression
University of Aveiro（阿威罗大学）
针对保形分位数回归单一保形步骤缺乏自适应性的问题，提出基于排列重要性加权解释变量的优化k-means聚类并执行k个保形步骤，在开放数据集上验证其更适应异方差且优于经典方法。
2022-11-06 cs.LG stat.ML
Spectral Adaptive Conformal Prediction for Structured Non-Exchangeable Data
University of Texas Rio Grande Valley（德克萨斯理工大学里奥格兰德谷分校）；Florida International University（佛罗里达国际大学）
针对非可交换时间序列数据，提出谱自适应共形预测方法，通过局部谱相似性加权共形分位数并在线调整目标误覆盖率，在循环模式和频率变化场景下提升区间覆盖的长期校准性。
2026-07-21 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
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
Adaptive Cumulative Mass Calibration with Conformal Prediction
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；École pour l’informatique et les techniques avancées（先进信息技术学院）
提出一种基于共形预测的校准方法，通过自适应温度缩放实现累积概率的边际覆盖保证，在图像分类任务中改进了多种校准误差指标。
2026-06-25 cs.LG stat.ML
Co-optimization for Adaptive Conformal Prediction
Department of Systems Engineering, City University of Hong Kong, Hong Kong SAR, China（系统工程系，香港城市大学，香港特别行政区，中国）；Alpha Benito Research, Los Angeles, USA（Alpha Benito研究机构，洛杉矶，美国）
CoCP通过联合优化中心和半径，改进了置信区间的效率和准确性，实现了更短的区间和更精确的覆盖诊断。
2026-11-02 cs.LG stat.ML
Adaptive Coverage Policies in Conformal Prediction
Inria, Ecole Normale Supérieure, PSL Research University（法国国家信息与自动化研究所，巴黎高等师范学院，PSL研究大学）；University of California, Berkeley（加州大学伯克利分校）
本文提出基于e值和事后符合推断的适应性覆盖策略，通过神经网络训练优化覆盖水平，提高预测集的灵活性和效率。
2026-04-02 cs.LG stat.ML
Adaptive Conformal Prediction for Quantum Machine Learning
Mathematical Institute, University of Oxford（牛津大学数学研究所）；Department of Computer Science, The University of Manchester（曼彻斯特大学计算机科学系）
本文提出适应性量子符合预测算法，解决量子处理器时间变化噪声对符合保证的影响，通过重复校准保持有效性，实验证明其在IBM量子处理器上的稳定性和覆盖率。
2026-05-15 cs.LG stat.ML stat.OT
Conformal prediction for multi-dimensional time series by ellipsoidal sets
Georgia Institute of Technology（佐治亚理工学院）；H. Milton Stewart School of Industrial and Systems Engineering（H. Milton Stewart工业与系统工程学院）
针对多变量时间序列，提出序列共形预测方法MultiDimSPCI，构建椭球预测区域，提供有限样本覆盖界，并实证验证其覆盖有效且区域更小。
2024-05-23 cs.LG stat.ML
SPACR: Single-Pass Adaptive Training of Uncertainty-Aware Conformal Regressors
Heudiasyc - UMR CNRS 7253, Université de Technologie de Compiègne（法国贡比涅技术大学 - CNRS 7253联合实验室 Heudiasyc）
提出SPACR方法，通过可微损失直接训练不确定性感知回归器，联合优化效率和有效性，无需批分割或预定义置信水平，单个模型在推理时支持多置信水平预测区间，实验表明其区间更窄、覆盖-效率权衡更优且计算成本更低。
2026-10-30 cs.LG stat.ME stat.ML
Adaptive Conformal Prediction by Reweighting Nonconformity Score
LaMME（LaMME实验室）；University Paris Saclay（巴黎萨克雷大学）；Stellantis（斯泰兰蒂斯）；ENSIIE（法国国立高等工业工程学院）；Quantmetry（Quantmetry公司）
本文提出利用分位数回归森林学习非一致性分数分布并重加权样本，通过分组共形化实现更高效且自适应的预测区间，在无假设条件下保证有限样本边际和训练条件覆盖，并显著优于现有方法。
2023-05-31 cs.LG 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
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
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
TRACE-CRC: Trajectory-Adaptive Conformal Risk Control for Multi-Step Channel State Information Prediction
Chalmers University of Technology（查尔姆斯理工大学）
针对多步CSI预测中现有方法缺乏校准不确定性估计的问题，提出TRACE-CRC方法，通过轨迹自适应策略实现可靠轨迹级覆盖，且不确定性球更小，避免了覆盖不足问题。
2026-08-28 cs.LG stat.ML
Noise-Adaptive Conformal Classification with Marginal Coverage
Politecnico di Milano（米兰理工大学）；University of Sydney（悉尼大学）；University of Hong Kong（香港大学）；University of Southern California（南加州大学）
本文提出一种噪声自适应共形推断方法，应对随机标签噪声导致的非可交换性，在合成及真实数据集（如BigEarthNet和CIFAR-10H）上验证了其能提供信息丰富且具有严格边际覆盖保证的预测集。
2026-09-15 cs.LG stat.ME stat.ML
Bellman Conformal Inference: Calibrating Prediction Intervals For Time Series
Stanford University（斯坦福大学）
BCI 框架通过动态规划求解随机控制问题，优化多步预测区间长度，实现长期覆盖并生成更短区间。
2026-10-15 cs.LG 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
Mask-Conditional Conformal Prediction: Valid Uncertainty For All Missing Data Mechanisms
LaMME, University of Paris-Saclay, Evry（LaMME，巴黎-萨克雷大学，埃夫里）；ENSIIE, Evry（ENSIIE，埃夫里）；Capgemini Invent, Paris, France（Capgemini Invent，巴黎，法国）
本文提出加权置信预测方法，通过预填补掩码并校正预测集，提供对一般缺失数据机制的边缘覆盖性和掩码条件有效性。
2026-11-03 cs.LG stat.ML
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
Adaptive Bounding Box Uncertainties via Two-Step Conformal Prediction
University of Amsterdam（阿姆斯特丹大学）；Robert Bosch GmbH（罗伯特·博世有限公司）；Bosch Center for AI（博世人工智能中心）
针对多目标检测中边界框不确定性量化问题，提出两步保形预测方法，将类别标签预测的不确定性传播至边界框区间，并结合集成与分位数回归实现适应物体大小的均衡覆盖率，在真实数据集上验证了其满足期望覆盖率且区间紧凑。
2024-07-30 cs.CV cs.LG stat.ML
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
Class Adaptive Conformal Training
CentraleSupélec, Université Paris-Saclay（中南大学巴黎萨克雷大学）；ÉTS Montréal（蒙特利尔工程学院）
本文提出类别自适应一致性训练方法，通过自适应学习在不假设分布的情况下，改进预测集的形状和信息量，提升模型的不确定性量化能力。
2026-01-14 cs.CV cs.LG
Kernel-based Optimally Weighted Conformal Time-Series Prediction
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（H. Milton Stewart工业与系统工程学院，佐治亚理工学院）
本文提出了一种基于核的最优加权符合预测方法，通过学习最优数据自适应权重，在时间序列预测中实现了更窄的置信区间同时保持覆盖性。
2026-02-11 cs.LG math.ST stat.ML
Online Conformal Probabilistic Numerics via Adaptive Edge-Cloud Offloading
Zhejiang University（浙江大学）；Imperial College London（伦敦帝国理工学院）；King’s College London（伦敦国王学院）
本文提出OCP-PLS方法，通过在线共形预测校准概率线性求解器生成的最高概率密度集，在边缘-云计算环境中保证长期覆盖要求，并验证了覆盖、预测集大小与云使用间的权衡。
2025-04-29 cs.LG stat.ML
CASCADE Conformal Prediction: Uncertainty-Adaptive Prediction Intervals for Two-Stage Clinical Decision Support
University of Florida（佛罗里达大学）；MD Anderson Cancer Center（MD安德森癌症中心）；University of Louisville（路易斯维尔大学）
提出 CASCADE 共形预测框架，通过传播分类器认知不确定性动态调整回归预测区间，在帕金森病用药管理中实现高效且鲁棒的区间估计。
2026-10-02 cs.LG stat.ME 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
Copula Conformal Prediction for Multi-step Time Series Forecasting
University of California, San Diego（加利福尼亚大学圣迭戈分校）
本文提出 CopulaCPTS，一种用于多变量多步时间序列预测的 Copula 保形预测算法，具有有限样本有效性保证，并在多个数据集上生成更校准、更尖锐的置信区间。
2024-03-18 cs.LG stat.AP
Improved Online Conformal Prediction via Strongly Adaptive Online Learning
Salesforce AI Research（Salesforce人工智能研究院）
我们研究的问题，通过预测集的不确定性量化，在一个在线设置的数据分布可能会随时间的推移而任意变化。最近的工作开发了在线共形预测技术，利用在线学习文献中的遗憾最小化算法来学习具有近似有效覆盖和小遗憾的预测集。然而，标准的遗憾最小化可能不足以应对不断变化的环境，其中不仅在整个时间范围内而且在所有（子）时间间隔内都需要性能保证。我们开发了新的在线共形预测方法，最大限度地减少了强自适应遗憾，这措施的最坏情况下的遗憾，在所有的间隔一个固定的长度。我们证明了我们的方法实现了近最优的强自适应遗憾的所有区间长度同时，和近似有效的覆盖。实验表明，我们的方法始终获得更好的覆盖率和更小的预测集比现有的方法在现实世界的任务，如时间序列预测和图像分类下分布偏移。
2023-02-15 cs.AI cs.LG math.ST
Conformal Prediction Adaptive to Unknown Subpopulation Shifts
University of Southern California（南加州大学）
本文针对测试环境子群体混合比例未知且标签需推断的分布偏移问题，提出可证明适应未知子群体偏移的共形预测方法，无需显式群体结构即可保证覆盖率，并在视觉和语言基准上验证了其有效性。
2025-11-06 cs.AI 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
DistMatch: Adaptive Binning via Distribution Matching for Robust Sequential Conformal Prediction
University of California, Berkeley（加州大学伯克利分校）；University of Tokyo（东京大学）
提出DistMatch方法，利用Kolmogorov-Smirnov统计量递归划分残差以实现近似可交换性，结合在线分位数回归进行局部自适应推理，提升序列共形预测对分布偏移的鲁棒性。
2026-05-30 cs.LG
Adaptive Multi-Scale Forecasting and Gate-Localized Conformal Prediction for Multivariate Nonstationary Time Series
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
针对多元非平稳时间序列预测与不确定性量化问题，提出ABF-T-GLCP框架，通过学习自适应预测状态表示，结合预测与共形校准模块，实验表明该框架能提升预测准确性、缩小区间，且应用范围广。
2026-07-28 cs.LG stat.AP stat.ME
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
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
Does confidence calibration improve conformal prediction?
Southern University of Science and Technology（南方科技大学）；Nanyang Technological University（南洋理工大学）；University of Macau（澳门大学）；Singapore University of Technology and Design（新加坡科技设计大学）
本文研究了置信度校准对自适应共形预测的影响，发现传统温度缩放会增大预测集，并提出带有新型损失函数的 ConfTS 方法以提升预测集效率，在分类任务尤其是 LLMs 中表现更优。
2024-12-23 cs.LG
CODiT: Conformal Out-of-Distribution Detection in Time-Series Data
University of Pennsylvania（宾夕法尼亚大学）；Georgia Institute of Technology（佐治亚理工学院）；SRI International（斯坦福国际研究院）
机器学习模型容易对远离训练分布的输入做出错误的预测。这阻碍了它们在自动驾驶汽车和医疗保健等安全关键应用中的部署。检测单个数据点的训练分布的变化已经引起了人们的注意。已经提出了许多用于这种分布外（OOD）检测的技术。但在许多应用中，机器学习模型的输入形成时间序列。用于时间序列数据中的OOD检测的现有技术要么不利用序列中的时间关系，要么不提供检测上的任何保证。我们提出使用偏离分布时间等方差作为时间序列数据OOD检测的共形异常检测框架中的非一致性度量，基于所提出的度量计算来自多个共形检测器的独立预测，并通过Fisher方法组合这些预测，从而得到所提出的检测器CODiT，该检测器具有对时间序列数据的错误检测的保证。我们通过在自动驾驶中的计算机视觉数据集上实现最先进的结果来说明CODiT的功效。我们还表明，CODiT可以用于OOD检测在非视觉数据集上进行实验的生理GAIT感官数据集。代码、数据和训练模型可在https://github.com/kaustubhsridhar/time-series-OOD上获得。
2022-07-24 cs.LG
Predictive inference for time series: why is split conformal effective despite temporal dependence?
Department of Statistics, University of Chicago（芝加哥大学统计系）；Schools of Industrial and Systems Engineering and Electrical and Computer Engineering, Georgia Tech（佐治亚理工学院工业与系统工程及电气与计算机工程学院）
本文研究了时间序列中分裂置信预测的有效性，通过引入切换系数量化时间依赖性对交换性假设的违反程度，揭示了预测区间覆盖概率的理论性质。
2026-01-10 cs.LG math.ST stat.ML
Multi-model Ensemble Conformal Prediction in Dynamic Environments
University of California, Irvine（加州大学欧文分校）
针对动态环境中单一固定模型预测效率不佳的问题，提出一种从多个候选模型中即时选择模型的自适应共形预测框架，实现强自适应遗憾并保持有效覆盖率，实验证明其预测集更高效。
2024-11-06 cs.LG
Softmax is not Enough (for Adaptive Conformal Classification)
School of Computing and Information Systems, Faculty of Engineering and IT（计算与信息系统学院，工程与信息学院）
本文提出基于赫尔姆霍茨自由能的改进方法，提升深度置信分类器预测集的适应性和效率。
2026-02-23 cs.AI cs.LG
Geometry-Aware Uncertainty Quantification via Conformal Prediction on Manifolds
Rochester Institute of Technology（罗切斯特理工大学）
提出自适应测地线保形预测框架，通过测地距离和交叉验证局部难度归一化，在球面和IGRF-14地磁场预测中实现有效覆盖并改善条件覆盖。
2026-06-06 cs.LG
Conformal PID Control for Time Series Prediction
University of California, Berkeley（加州大学伯克利分校）；Stanford University（斯坦福大学）
研究时间序列预测的不确定性量化问题，提出基于保形预测和控制理论的在线算法，以适应分布偏移等系统误差，并在多组预测实验中提升覆盖率且提供可扩展代码库。
2023-07-31 cs.LG cs.SY eess.SY
LLMs Uncertainty Quantification via Adaptive Conformal Semantic Entropy
Toronto Metropolitan University（多伦多 Metropolitan 大学）；Vector Institute（向量研究所）
提出自适应共形语义熵（ACSE）方法，通过聚类语义熵并自适应调整不确定性分数，结合共形校准实现统计可靠的接受/弃权决策，在多个数据集上优于现有基线。
2026-05-23 cs.AI cs.LG
AdaptNC: Adaptive Nonconformity Scores for Conformal Prediction under Distribution Shift
Department of Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系）
本文提出AdaptNC框架，通过联合在线调整非符合分数参数和符合阈值，解决分布偏移下的预测区域保守问题，实验表明其在保持覆盖率的同时显著减少预测区域体积。
2026-05-13 cs.LG cs.RO cs.SY
Conformal Prediction with Temporal Quantile Adjustments
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；MIT（麻省理工学院）
我们开发了时间分位数调整（TQA），一个通用的方法来构建有效的和有效的预测区间（PI）的回归横截面时间序列数据。这种数据在许多领域都很常见，包括计量经济学和医疗保健。医疗保健中的一个典型示例是使用生理时间序列数据预测患者结果，其中患者群体构成横截面。在这种情况下，可靠的PI估计必须解决两个不同的覆盖范围概念：横截面切片的横截面覆盖范围，以及每个时间序列沿时间维度的纵向覆盖范围。最近的工作已经探索了适应共形预测（CP）以在时间序列上下文中获得PI。然而，没有一个国家同时处理这两种覆盖概念。CP方法通常从校准集上的不合格分数分布中查询预先指定的分位数。TQA在每次$t$调整CP中查询的分位数，以理论上有根据的方式考虑横截面和纵向覆盖率。TQA的事后性质便于将其用作任何时间序列回归模型的通用包装器。我们通过大量的实验验证了TQA的性能：TQA通常获得有效的PI，并提高纵向覆盖率，同时保持横截面覆盖率。
2022-05-23 cs.LG stat.ME stat.ML
