C-Adapter: Adapting Deep Classifiers for Efficient Conformal Prediction Sets
本文提出 C-Adapter，通过内部保序适配器和增强非一致性分数区分度的损失，在不损失准确率的前提下提升多种分类器的保形预测集效率。
2025-03-18 cs.LG
Conformal Prediction for Indoor Positioning with Correctness Coverage Guarantees
College of Electronic and Information Engineering, Southwest University（西南大学电子与信息工程学院）；School of Automation, Chongqing University of Posts and Telecommunications（重庆邮电大学自动化学院）
本文提出将共形预测应用于深度学习室内定位，通过预测集和共形风险控制提供正确性覆盖与错误率统计保证，并在UJIIndoLoc数据集上验证了其有效性和不同模型的差异。
2025-05-03 cs.LG
CRC-SGAD: Conformal Risk Control for Supervised Graph Anomaly Detection
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
提出CRC-SGAD框架，通过双阈值保形风险控制机制和子图感知谱图神经校准器，在监督图异常检测中实现FNR与FPR的理论保证界限并减小预测集大小。
2025-04-03 cs.LG
Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning
Technical University of Munich（慕尼黑工业大学）
针对训练与校准数据同时被投毒导致 conformal prediction 失效的问题，提出 RPS，通过平滑分数和多校准集合多数投票获得可证明可靠且保持效用的预测集合。
2025-03-16 cs.LG
Conformal Prediction Sets Quantify Information Gain: A Theoretical Perspective
MIT（麻省理工学院）
本文从理论角度证明共形预测集大小减少可作为信息增益度量，引入广义信息度量族，并在11个分类设置中验证其与香农互信息的联系及差异。
2026-10-07 cs.LG
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
Conformal Structured Prediction
University of Pennsylvania（宾夕法尼亚大学）
本文提出结构化预测场景下的共形预测通用框架，通过输出隐式表示标签集合的结构化预测集合，解决复杂输出中预测集过大且难以解释的问题，并在层级标签等领域验证了其覆盖保证。
2025-03-09 cs.LG
Conformalized Deep Splines for Optimal and Efficient Prediction Sets
Genentech（基因泰克公司）
提出SPICE保形回归方法，用神经网络参数化样条估计条件密度，并结合SPICE-ND与SPICE-HPD分数，在预测集大小和条件覆盖上取得最优表现。
2023-11-01 cs.LG
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
Ignoring Distractors in the Absence of Labels: Optimal Linear Projection to Remove False Positives During Anomaly Detection
Carnegie Mellon University（卡内基梅隆大学）
在异常检测设置中，原生特征嵌入可能是偏差的关键来源。我们提出了一种技术，在无监督设置（FOCUS）中使用上下文的特征省略来学习一个特征映射，该特征映射对训练集中的变化是不变的，同时保留尽可能多的描述能力。虽然这种方法可以适用于许多无监督的设置，我们专注于异常检测中的应用程序，其中很少有任务标记的数据可用。我们的算法只需要非异常的数据集，不需要训练集中的上下文与测试集的上下文相匹配。通过最大化组内方差和最小化组间方差，我们能够识别和删除分散注意力的功能，同时保持保真度的连续性需要在测试时。在线性的情况下，我们的配方减少到一个广义特征值问题，可以快速解决，并适用于测试集的背景下的训练集之外。这种技术允许我们通过特征空间的适当映射将异常检测的技术定义与人类定义对齐。我们证明，这种方法是能够删除的异常检测设置的特征空间的无信息部分。
2017-09-13 cs.LG
CS-WCP: Robust Conformal Sets for LLM-Judge Traffic Shifts with Uncertain Group Proportions
Iowa State University（爱荷华州立大学）；Kalinga Institute of Industrial Technology（卡林加工业技术学院）
针对LLM裁判预测集在流量转移下覆盖不足的问题，提出CS-WCP方法，通过构建源目标组质量精确区间并取加权共形集并集，在不确定组比例下提供可审计的鲁棒覆盖保障，实验验证其高覆盖率与保守尾部保护。
2026-09-24 cs.LG
Beyond Fixed False Discovery Rates: Post-Hoc Conformal Selection with E-Variables
Department of Engineering, King’s College London（伦敦国王学院工程系）；Institute for Intelligent Networked Systems, Northeastern University London（伦敦东北大学智能网络系统研究所）
本文提出post-hoc CS方法，通过e变量和e-BH程序，在有限样本下提供可靠性保障，允许用户根据需求调整选择数量与FDR的平衡，同时保持FDR控制。
2026-07-10 cs.IT cs.LG math.IT
Bayesian Conformal Prediction as a Decision Risk Problem
Department of Computer Science, University of Manchester（曼彻斯特大学计算机科学系）；UKRI AI Centre for Doctoral Training in Decision Making for Complex Systems（UKRI人工智能博士培训中心（复杂系统决策））；Department of Computer Science, Aalto University（艾洛大学计算机科学系）；ELLIS Institute, Finland（芬兰ELLIS研究所）
本文提出贝叶斯符合预测（BCP），通过结合贝叶斯后验预测分布与PAC式符合风险控制，生成具有有限样本覆盖保证的预测集。BCP将符合预测转化为决策风险优化问题，扩展标准固定分位数阈值集为优化最高后验密度（HPD）预测集，提高效率并保持覆盖性。
2026-05-07 cs.LG
Entropy Reweighted Conformal Classification
City University of Hong Kong（香港城市大学）；Royal Holloway, University of London（伦敦大学皇家霍洛威学院）
本文提出一种考虑分类器不确定性并采用基于熵的重加权方法，有效解决了保形预测中置信度校准导致效率下降的问题，显著提升了预测集效率。
2024-07-24 cs.LG
Counterfactually Fair Conformal Prediction
UC Santa Barbara（加州大学圣芭芭拉分校）；Munich RE（慕尼黑再保险）
CF-CP通过反事实公平的预测集实现公平不确定性量化，适用于回归和分类任务。
2026-03-12 cs.LG
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
Conformal Prediction Sets Improve Human Decision Making
Layer 6 AI；TD Securities（道明证券）
本文通过随机对照试验证明，向人类提供保形预测集相比固定大小预测集能显著提高决策准确性，表明量化模型不确定性有助于人在环决策和人机协作。
2024-06-10 cs.HC cs.LG stat.ML
Similarity-Navigated Conformal Prediction for Graph Neural Networks
Nanjing University（南京大学）；Southern University of Science and Technology（南方科技大学）；Nanyang Technological University（南洋理工大学）
针对图神经网络节点分类缺乏可靠不确定性估计的问题，提出 SNAPS 算法，利用特征相似性与结构邻域聚合非一致性分数，生成更紧凑预测集合并具备有限样本覆盖率保证。
2025-01-04 cs.LG
Contrastive Conformal Sets
School of Electrical and Electronic Engineering, Nanyang Technological University, Singapore（南洋理工大学电气与电子工程学院）
本文提出一种基于对比学习的符合集方法，通过最小体积覆盖集和可学习多范数约束，实现对正样本的覆盖和负样本的排除，提升了在图像数据集上的包含-排除平衡。
2026-07-17 cs.LG stat.ML
Conformal Prediction Sets for Deep Generative Models via Reduction to Conformal Regression
School of EECS, Washington State University（电子工程与科学学院，华盛顿州立大学）
针对黑盒深度生成模型预测集的有效性与规模优化问题，提出Generative Prediction Sets共形推理算法，通过归约为共形回归实现可证明保证，在代码和数学应用题任务上性能优于现有方法。
2025-06-16 cs.AI cs.LG
Robust Yet Efficient Conformal Prediction Sets
CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）；University of Cologne（科隆大学）
针对共形预测易受规避与投毒攻击的问题，研究者通过界定一致性得分的最坏情况变化，推导出兼具可证明鲁棒性与更高效率的预测集，适用于多类数据与多种攻击场景。
2024-07-12 cs.AI cs.LG
On the Expected Size of Conformal Prediction Sets
University of Oxford（牛津大学）
该研究针对共形预测集规模缺乏有限样本分析的问题，在拆分共形预测框架下理论量化预测集期望规模，推导可经验计算的点估计与区间界，并通过真实数据集的回归和分类实验验证有效性。
2024-03-09 cs.LG stat.ML
Adaptive Conformal Anomaly Detection with Time Series Foundation Models for Signal Monitoring
IBM Research（IBM研究院）
本文提出一种自适应置信区间异常检测方法，利用预训练基础模型进行预测，无需额外微调，实现可解释的异常评分，适用于资源受限环境，解决数据有限和快速推理需求问题。
2026-04-22 cs.AI cs.LG
Conformal Prediction Sets Can Cause Disparate Impact
Layer 6 AI；TD Securities（道明证券）
针对保形预测集在实际决策中需单一输出的局限，通过人类实验发现其会导致差异影响，且满足均等覆盖的集合会加剧该影响，进而提出跨群体均等化集合大小以降低差异影响的方法。
2025-02-13 cs.LG stat.ML
Conformal confidence sets for biomedical image segmentation
针对生物医学图像分割黑盒模型的空间不确定性问题，提出适配成像场景的共形置信集方法，通过分数变换与校准获取阈值，在polpys数据集上验证可在控错率下实现肿瘤位置紧致边界。
2024-10-08 cs.LG stat.ML
Evaluating the Utility of Conformal Prediction Sets for AI-Advised Image Labeling
Northwestern University（西北大学）
研究通过在线实验比较共形预测集与Top-1/Top-k显示在AI辅助图像标注中的实用性，发现预测集在标注分布外图像时具一定优势，尤其当集合较小时。
2024-04-25 cs.CV cs.HC cs.LG
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
Aggregating Conformal Prediction Sets via α-Allocation
School of Statistics and Data Science, Nankai University（统计与数据科学学院，南开大学）；School of Mathematical Sciences, Shanghai Jiao Tong University（数学科学学院，上海交通大学）
针对多一致性分数下共形预测集规模优化难题，提出COLA聚合策略及三个变体，可在保证有效覆盖的前提下得到更小预测集，实验验证其性能优于现有最优基线。
2025-11-15 cs.LG stat.ME stat.ML
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
Performance of Conformal Prediction in Capturing Aleatoric Uncertainty
Linköping University（林雪平大学）
本文研究了符合预测在捕捉数据集中由于类别重叠导致的偶然不确定性方面的有效性，发现其与人类注释的相关性较弱。
2025-11-21 cs.CV cs.LG
Improving Trustworthiness of AI Disease Severity Rating in Medical Imaging with Ordinal Conformal Prediction Sets
医疗AI的监管批准和广泛的临床部署受到了阻碍，因为人们认为深度学习模型会以不可预测甚至可能是灾难性的方式失败。缺乏统计上严格的不确定性量化是破坏对人工智能结果信任的一个重要因素。最近的发展，在分布自由的不确定性量化这些问题提供了实际的解决方案，通过提供可靠性保证的黑箱模型的任意数据分布作为正式有效的有限样本预测区间。我们的工作将这些新的不确定性量化方法-特别是适形预测-应用于深度学习模型，用于对腰椎MRI中椎管狭窄的严重程度进行分级。我们展示了一种技术，用于形成有序的预测集，保证包含正确的狭窄严重程度在用户定义的概率（置信区间）。在深度学习模型处理的409个MRI检查的数据集上，共形方法提供了小预测集大小的紧密覆盖。此外，我们探讨了潜在的临床应用的标记情况下，高不确定性的预测（大预测集），通过量化的显着的成像异常（如运动伪影，金属伪影，和肿瘤），可能会降低预测性能的信心相比，随机样本的情况下，患病率的增加。
2022-07-05 cs.LG eess.IV
Distribution Free Prediction Sets for Node Classification
University of Oxford（牛津大学）
针对图神经网络因图结构依赖难以量化预测不确定性的问题，本文通过加权conformal scores反映网络结构，提出一种适用于归纳节点分类的无分布预测集构建方法，实验证明其比朴素方法更紧密且校准更好。
2024-01-08 cs.LG stat.ML
Valid Selection among Conformal Sets
CMAP, École polytechnique, Institut Polytechnique de Paris, France（应用数学与计算科学实验室，巴黎高等理工学院，巴黎理工学院）；Inria, École Normale Supérieure, PSL Research University（法国国家科学研究中心，巴黎高等师范大学，巴黎科学实验室）；Department of Electrical Engineering and Computer Sciences, UC Berkeley, USA（电气工程与计算机科学系，伯克利大学，美国）
针对选择最优conformal prediction set会破坏覆盖保证的问题，提出一种基于稳定性的方法以确保所选集合的覆盖性，并扩展至在线场景及实验验证其有效性。
2025-06-25 cs.AI cs.LG stat.ME
Temporal Graph Prototype-conditioned Conformal Prediction for Fraud Detection
Emory University（埃默里大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
针对时序图边级欺诈检测中现有共形预测器预测集低效的问题，提出ProtoCP框架，通过原型和邻域相对得分机制优化校准，在四个基准上实现目标覆盖率且预测集更小。
2026-08-18 cs.AI cs.LG
Volume Optimality in Conformal Prediction with Structured Prediction Sets
University of Chicago（芝加哥大学）；Toyota Technological Institute at Chicago（芝加哥丰田理工学院）；Northwestern University（西北大学）
本文提出一种基于动态规划的无分布算法，在结构化预测集（$k$-区间并集）中实现近最优体积，并兼顾覆盖保证，实验显示优于现有方法。
2025-02-23 cs.LG stat.ML
Streamlining Conformal Information Retrieval via Score Refinement
Verily AI (Google Life Sciences)（Verily AI（谷歌生命科学））；Technion（以色列理工学院）
针对现有共形信息检索方法生成集合规模大、成本高的问题，提出对检索分数做单调变换的分数精炼法，在保留统计保证的同时缩小共形集，经BEIR基准验证可生成含相关信息的紧凑集合。
2024-10-03 cs.AI cs.IR cs.LG
Conformal online model aggregation
Carnegie Mellon University（卡内基梅隆大学）；University of Padova（帕多瓦大学）
本文提出 COMA，通过加权投票在线自适应聚合多个保形预测集合，在误差与权重负相关条件下保留无分布覆盖保证，并适用于分布式及分布漂移场景。
2025-10-20 cs.LG stat.ML
Conformalized Credal Set Predictors
Institute of Informatics, LMU Munich（慕尼黑大学信息学研究所）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
本文提出了一种基于保形预测的分类任务Credal集预测方法，能够以高概率保证预测的有效性，并展示了其在自然语言推理任务中的适用性。
2024-02-16 cs.LG stat.ML
Conformal Prediction under Partial Verification
McGill University（麦吉尔大学）；Polytechnique de Montréal（蒙特利尔理工学院）
针对共形预测校准验证成本高的问题，提出部分验证方法，通过协调校准示例间的验证，在保持预测集一致的同时，将验证成本降低15%-82%。
2026-10-09 cs.LG stat.ML
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
Training conformal predictors
Royal Holloway University of London（伦敦大学皇家霍洛威学院）
用于共形预测的效率标准，例如\emph{observed fuzziness}（即，与假标签相关的p值之和）通常用于\emph{evaluate}给定适形预测因子的性能。在这里，我们调查是否有可能利用效率标准\emph{learn}分类器，共形预测和点分类器，通过使用这样的标准作为训练目标函数。所提出的想法实现的问题的二进制分类的手写数字。通过选择1维模型类（具有一个实值自由参数），我们可以通过在参数空间（的离散版本）上进行（近似）穷举搜索来解决优化问题。我们的实证结果表明，通过最小化其观察到的fuzzy训练的共形预测器比通过最小化对应点分类器的\emph{prediction error}以传统方式训练的共形预测器表现得更好。它们在测试集上的预测误差方面也有合理的表现。
2020-05-14 cs.LG stat.ML
Minimum Volume Conformal Sets for Multivariate Regression
Sierra team, Inria Paris, France（Inria巴黎分部）；Department of Electrical Engineering and Computer Sciences, UC Berkeley, USA（加州大学伯克利分校电子工程与计算机科学系）
本文提出一种基于新损失函数的优化框架，用于学习最小体积覆盖集，同时保证覆盖有效性。该方法通过任意范数球定义预测集，并联合优化预测模型和不确定性，实现紧致、信息丰富且高效的预测集。
2026-03-18 cs.AI cs.LG stat.ME
CP4SBI: Local Conformal Calibration of Credible Sets in Simulation-Based Inference
Department of Statistics, Federal University of São Carlos（统计系，圣卡洛斯联邦大学）；Institute of Mathematics and Computer Science, University of São Paulo（数学与计算机科学学院，圣保罗大学）；Univ. Grenoble Alpes, Inria, CNRS, Grenoble INP, LJK（格勒诺布尔阿尔卑斯大学，法国国家信息与自动化研究所，法国国家科学研究中心，格勒诺布尔INP，LJK）
提出CP4SBI框架，通过回归树和CDF校准实现局部贝叶斯覆盖，为任意评分函数提供有限样本局部覆盖保证，提升神经后验估计的不确定性量化质量。
2026-06-11 cs.LG 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
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
Singleton-Optimized Conformal Prediction
University of Pennsylvania（宾夕法尼亚大学）；New Jersey Institute of Technology（新泽西理工学院）
本文提出单例优化置信预测方法，通过优化非一致性评分提升预测集的单例率，减少预测集大小对实际成本的影响。
2026-02-03 cs.LG stat.ML
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
Conformalized Interval Arithmetic with Symmetric Calibration
City University of Hong Kong（香港城市大学）；Alpha Benito Research（阿尔法贝尼托研究院）
本文提出一种对称校准的共形区间算术方法，将单一目标共形预测区间扩展到多目标总和或平均值的估计，并在置换不变假设下证明其有效性，在类别平均估计和路径成本预测任务中优于现有共形及非共形方法。
2025-01-02 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
Online Conformal Prediction: Enforcing monotonicity via Online Optimization
University of Michigan（密歇根大学）
本文提出两种新的在线置信预测方法，生成不同置信水平下的嵌套预测集，实现整个风险范围的不确定性量化。方法通过在线优化控制后悔，提高统计效率。
2026-05-12 cs.LG stat.ML
Evidential Uncertainty Sets in Deep Classifiers Using Conformal Prediction
Toronto Metropolitan University（多伦多都会大学）；Vector Institute（向量研究所）
本文提出证据共形预测（ECP）方法，利用证据深度学习量化DNN分类器认知不确定性，基于logit值计算非一致性评分函数生成预测集合，在保持真实标签覆盖率的同时显著减小了集合大小并提升了自适应性。
2024-07-30 cs.AI cs.CV cs.LG
Concise and Logically Consistent Conformal Sets for Neuro-Symbolic Concept-Based Models
Department of Information Engineering and Computer Science, University of Trento, Italy（特伦托大学信息工程与计算机科学系）；CIMeC, University of Trento, Rovereto, Italy（特伦托大学罗韦雷托CIMeC）
本文提出COCOCO框架，通过整合符合预测方法，解决神经符号概念模型中标签和概念预测过于自信的问题，满足一致性、覆盖性和简洁性三个要求，提升模型的可靠性。
2026-09-29 cs.AI cs.LG
Multivariate Conformal Prediction using Optimal Transport
Apple（苹果公司）
本文提出OTCP方法，利用最优传输实现多元得分排名，从而在无分布假设下构造多维共形预测集合，并在基准数据集上验证了其有效性。
2025-02-05 cs.LG stat.ML
Projected random forests and conformal prediction of circular data
Insper University（Insper大学）；University of São Paulo（圣保罗大学）
针对圆形响应回归问题，应用共形预测技术，通过投影方法将线性回归模型转换为圆形模型，并利用随机森林的袋外机制避免额外校准样本，生成具有有限样本覆盖保证和自适应弧长的预测集。
2026-06-11 cs.LG stat.ME stat.ML
