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
Weighted Conformal Prediction for Survival Analysis under Covariate Shift
Yonsei University(延世大学)
本文提出了一种加权符合预测方法,用于在协变量偏移下的生存分析,通过理论支持和实验证明其在不同删失水平和偏移情况下的鲁棒性和一致性。
2025-12-03 stat.AP 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
Conformal Diffusion Models for Individual Treatment Effect Estimation and Inference
University of California Irvine(加州大学欧文分校);University of California San Francisco(加州大学旧金山分校);University of California Berkeley(加州大学伯克利分校)
本文提出基于保形扩散模型的个体处理效应估计与推断方法,融合扩散建模、保形推断、倾向评分及协变量局部近似,实现潜在结果分布无偏估计、置信区间构建和理论保证。
2024-08-02 cs.AI cs.LG stat.ME
Fair Conformal Prediction for Incomplete Covariate Data
本研究针对协变量缺失场景,提出满足边际、掩码条件及渐近条件有效性的公平共形预测方法,并通过模拟与真实数据验证其优势。
2025-09-08 stat.ME
Sketched Calibration for Conformal Prediction under Covariate Shift
Mofid Securities(莫菲德证券)
针对协变量偏移下加权保形预测成本高的问题,提出草图校准方法,通过压缩协变量降低校准成本并控制覆盖率泄漏,实验显示其显著减少无限预测集。
2026-10-08 math.ST stat.ME stat.ML
Conformal Individual Treatment Effect Estimation under Networked Interference
EURECOM(欧洲通信学院);Northeastern University London(伦敦东北大学)
本研究提出干扰调整的加权保形预测方法,放宽无干扰假设,通过构造可观测上界,为网络干扰下的反事实结果和个体治疗效果提供有限样本覆盖保证。
2026-09-15 cs.IT cs.LG math.IT
Selective inference using randomized group lasso estimators for general models
本文针对一般分布与损失函数下的组 lasso 估计量开发了基于随机化的选择性推断方法,通过构建选择后似然进行参数估计与置信区域推断,并在真实数据与模拟中验证了其有效性。
2024-03-26 math.ST stat.ME stat.ML
Sensitivity Analysis of Individual Treatment Effects: A Robust Conformal Inference Approach
我们提出了一个无模型的框架,敏感性分析的个人处理效应(ITE),从共形推理的想法的基础上。对于任何单位,我们的程序报告了$Γ$值,该值量化了解释ITE证据所需的最小混杂强度。我们的方法依赖于在训练数据混淆的情况下对反事实和ITE的可靠预测推理。在Tan(2006)的边际敏感性模型下,我们描述了观测值分布和反事实分布之间的变化。首先,我们开发了一个通用的方法,从移位分布的测试样本的预测推理,然后,我们利用这个构建协变量依赖的预测集的反事实。不管移位的值是多少,这些预测集(分别是近似地)实现边缘覆盖,如果倾向得分是精确已知的(分别估计)。我们描述了一个不同的程序,也达到覆盖率,但是,有条件的训练数据。在后一种情况下,我们证明了一个清晰的结果表明,对于某些类别的预测问题,预测区间不可能收紧。我们通过仿真研究验证了新方法的有效性和性能,并将其应用于分析真实数据集。
2022-04-24 stat.ME
Selective inference for effect modification via the lasso
当治疗对结果的影响根据其他协变量的水平而变化时,发生效应修正,并且通常对决策具有重要影响。当存在数十或数百个协变量时,有必要使用观察到的数据来选择更简单的模型进行效应修正,然后进行有效的统计推断。我们提出了一个两阶段的程序来解决这个问题。首先,我们使用Robinson变换将干扰参数与感兴趣的处理效应解耦,并使用机器学习算法来估计干扰参数。接下来,在插入讨厌参数的估计值后,我们使用Lasso选择一个低复杂度的模型进行效果修改。与由所有协变量组成的完整模型相比,所选模型更具可解释性。与单变量亚组分析相比,所选模型大大减少了错误发现的数量。我们证明了在经典半参数回归的速率假设下,所选模型的条件选择性推断是渐近有效的。进行了大量的模拟研究,以验证渐近结果和流行病学的应用程序来证明该方法。
2021-11-19 math.ST stat.ME stat.TH
Sharp training-conditional coverage for conformal prediction under covariate shift
Mofid Securities(莫菲德证券公司)
本文研究协变量偏移下加权分裂共形预测的训练条件覆盖,提出基于集中不等式的显式界,并比较加权分位数、随机拒绝采样等方法,给出有限样本证书。
2026-09-29 cs.LG math.ST stat.ME
Calibrated and Conformal Propensity Scores for Causal Effect Estimation
Cornell University(康奈尔大学);Cornell Tech(康奈尔科技学院)
本文提出通过简单重校准技术确保倾向得分模型的概率输出被校准,证明校准是无偏处理效应估计的必要条件,能改善误差界限并避免极端权重,在图像协变量和GWAS等任务中显著提升了因果效应估计与计算速度。
2024-06-04 cs.LG stat.ME
Conformalized Large-Scale Selective Inference with Informative and Trustworthy Prediction Sets
School of Statistics, Beijing Normal University(北京师范大学统计学院);Center for Data Science, Zhejiang University(浙江大学数据科学中心)
提出SCIP方法,通过信息性集构造器、信任评分和广义共形p值,在控制错误覆盖率的同时选择信息性预测集,适用于回归和分类任务。
2026-05-26 math.ST stat.ME stat.TH
Conformal Policy Learning with Distribution-Free Safety Guarantees
University of Pennsylvania(宾夕法尼亚大学);Massachusetts Institute of Technology(麻省理工学院)
提出保形策略学习(CPL),通过阈值化保形p值控制处理分配对个体造成伤害的概率,在随机实验和观察性研究中提供无分布安全保证,并实证应用于减少阴谋信念的AI干预。
2026-09-16 cs.LG econ.EM math.ST
Denoised Conformal Alignment for Reliable Selection of Conditional Average Treatment Effect Predictions
Shanghai Jiao Tong University(上海交通大学);Shanghai University of Finance and Economics(上海财经大学);National University of Defense Technology(国防科学技术大学);School of Statistics and Data Science(统计与数据科学学院);Institute of Big Data Research(大数据研究院)
针对选择性部署下边际保形保证无法控制选中子集可靠性的问题,提出去噪保形对齐方法,通过伪结果构建代理误差、减除条件方差分量,在控制FDR的同时大幅提升统计功效。
2026-07-07 cs.LG stat.ML
Conformal Convolution and Monte Carlo Meta-learners for Predictive Inference of Individual Treatment Effects
IDLab Department of Electronics and Information Systems Ghent University, Belgium(IDLab电子与信息系统系根特大学,比利时);IDLab Department of Electronics and Information Systems Ghent University - imec, Belgium(IDLab电子与信息系统系根特大学-imec,比利时);Biometrics Research Group Department of Morphology, Imaging, Orthopedics, Rehabilitation and Nutrition Ghent University, Belgium(生物医学研究组形态学、成像、骨科、康复与营养系根特大学,比利时)
针对医疗等领域风险感知决策所需的个体治疗效应(ITE)概率预测问题,提出保形卷积T学习器(CCT)和保形蒙特卡洛(CMC)元学习器,结合加权保形预测与解析卷积/蒙特卡洛采样解决协变量偏移,实现潜在结果和ITE的校准预测分布,且效率更高。
2025-09-23 cs.LG stat.ML
Group-Weighted Conformal Prediction
针对加权保形预测(WCP)因似然比估计误差导致覆盖保证下降的问题,提出组加权保形预测方法,在训练集分层抽样等观测值分组场景中显著提升预测覆盖保证。
2025-04-15 stat.ME
Online Selective Conformal Prediction with Asymmetric Rules: A Permutation Test Approach
University of Pennsylvania(宾夕法尼亚大学)
本文提出PEMI框架,用于在线选择性符合预测,解决非对称选取机制下的预测集覆盖问题。
2026-02-10 math.ST stat.ME stat.ML
Predicting Current Outcomes From Historical Survey Data With Weighted Conformal Prediction
Seoul National University(首尔大学);National Cancer Institute(美国国家癌症研究所)
针对大规模调查中部分结果仅在特定年份测量的缺失问题,提出加权共形预测框架,通过估计历史与目标协变量分布间的似然比,实现有效的总体水平预测,并保证覆盖概率。
2026-06-09 stat.ME
Not all distributional shifts are equal: Fine-grained robust conformal inference
本研究提出细粒度鲁棒共形推断框架,区分协变量与条件分布偏移,通过重加权训练样本结合分布鲁棒学习生成有效预测区间,在模拟和真实数据中表现优于现有基准,可用于个体治疗效应敏感性分析。
2025-05-18 stat.ME
Beyond the Training Distribution: Evaluating Predictions Under Distribution Shift and Selection Bias
Department of Statistics, University of California, Berkeley(加州大学伯克利分校统计学系)
针对协变量偏移和选择性标签共存时的模型评估问题,提出双机器学习程序估计目标风险,并通过eICU数据验证其准确性优于单独处理任一种偏差的方法。
2026-06-15 cs.LG stat.ME stat.ML
Multiply Robust Conformal Risk Control with Coarsened Data
University of Pennsylvania(宾夕法尼亚大学);Carnegie Mellon University(卡内基梅隆大学)
本文针对训练数据存在结果或协变量缺失及删失的粗化数据问题,结合半参数理论与共形风险控制,提出多重稳健的无分布有效预测区域构造方法,并支持灵活机器学习估计冗余函数。
2026-10-23 math.ST stat.ME stat.ML
Selective conformal inference with false coverage-statement rate control
针对仅对测试集中被选个体报告预测区间的问题,本文提出 SCOP 选择性条件保形预测框架,在可交换性及更一般条件下提供 FCR 控制和非渐近覆盖保证,并生成更窄区间。
2024-03-12 stat.ME
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
Adding structure to generalized additive models, with applications in ecology
本文为广义可加模型引入三种扩展(变系数、标量对函数、分布滞后模型),以高效处理生态学中常见的向量值协变量,避免信息丢失,并展示其在R包mgcv中的拟合方法。
2025-09-10 q-bio.QM stat.ME
Enhancing Statistical Validity and Power in Hybrid Controlled Trials: A Randomization Inference Approach with Conformal Selective Borrowing
本文提出随机化推断框架结合共形选择性借用方法,在混合对照试验中实现有限样本精确的第I类错误率控制并提高检验效能,通过理论分析、模拟和肺癌试验应用验证其有效性。
2025-05-07 stat.ME
Revamping Conformal Selection With Optimal Power: A Neyman--Pearson Perspective
本研究从Neyman–Pearson视角出发,提出基于似然比决策规则的新型共形选择方法,规避共形p值的功效缺陷,在保证FDR控制的同时提升选择功效,适配协变量偏移等场景,仿真验证其性能优于现有方法。
2025-02-23 stat.ME
Uncertainty Quantification With Multiple Sources
Rutgers University(罗格斯大学);New Jersey Institute of Technology(新泽西理工学院)
本文提出在多源设置中利用加权置信区间方法,通过合并聚合和数据池化策略提升预测不确定性量化效果,并通过实验验证方法有效性。
2026-03-31 stat.ME stat.ML
Anytime-Valid Confirmation of Covariate Balance for Prespecified Corrections
CROID Research and aSSIST University(CROID研究所与aSSIST大学)
研究对协变量转移适应中预指定校正的随时有效确认,提出确认协变量平衡程序,给出时间均匀置信序列等方法及相关检验,用于控制错误确认、监测可接受区域等,展示了有限源效应及下游共形覆盖等实验结果。
2026-07-28 stat.ME stat.ML
Optimized Conformal Selection: Powerful Selective Inference After Data-Dependent Score Construction
McGill University(麦吉尔大学);Harvard University(哈佛大学)
针对保形推断中模型选择破坏数据可交换性的问题,提出OptCS框架,允许数据驱动优化模型后进行有效选择性推断,通过三种程序控制FDR,在模拟和实际应用中验证了有效性。
2026-10-22 cs.AI cs.LG stat.ME
CAP: A General Algorithm for Online Selective Conformal Prediction with FCR Control
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)
CAP算法通过在线选择性置信预测实现FCR控制,提供了一种通用框架以确保精确覆盖保证并提升预测区间精度。
2025-12-01 cs.LG stat.ME stat.ML
PRESCCO: Efficient Prediction Intervals under a Right-Censored Covariate
Pennsylvania State University(宾夕法尼亚州立大学);Columbia University Medical Center(哥伦比亚大学医学中心);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
针对右删失协变量下保形预测区间变异性大的问题,提出半参数预测方法,利用分布信息估计半长,在高删失率下实现稳定区间长度与可靠覆盖率,优于保形预测。
2026-11-18 stat.ME
Robust Estimation and Inference with Selective Borrowing in Hybrid Controlled Trials: A Tutorial with SelectiveIntegrative and intFRT
North Carolina State University(北卡罗来纳州立大学);Duke University(杜克大学)
本文提出混合对照试验中利用外部对照进行选择性借用的工作流程,通过SelectiveIntegrative和intFRT包实现稳健估计与推断,提高效率并保证推断有效性。
2026-07-01 stat.ME
Conformal Prediction With Conditional Guarantees
本文将条件覆盖重构为协变量偏移类上的覆盖,提出在边际与条件有效性之间插值的保形预测框架,可在有限维目标下实现精确有限样本覆盖,并量化无限维情形下的覆盖误差。
2024-09-16 stat.ME
Conformal Prediction Under Feedback Covariate Shift for Biomolecular Design
University of California, Berkeley(加利福尼亚大学伯克利分校);Center for Computational Biology, University of California, Berkeley(加利福尼亚大学伯克利分校计算生物学中心)
本文提出一种在反馈协变量偏移下量化预测不确定性的方法,通过构建考虑训练与测试数据依赖关系的置信集,为生物分子设计提供有限样本保证,并应用于蛋白质适应度预测以平衡高适应度与低不确定性。
2025-04-03 cs.LG q-bio.QM stat.ME
Robust Conformalized Selection with Noisy Responses
Southern University of Science and Technology(南方科技大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
研究在含噪声响应数据下的选择问题,提出鲁棒共形选择框架RCS,通过将标签噪声转化为协变量偏移问题,实现有效FDR控制,经实验验证了该方法在模拟和真实数据集上的有效性。
2026-07-28 cs.LG stat.ME stat.ML
Selective Inference for Additive and Linear Mixed Models
本文研究了在模型选择后对可加性和线性混合模型进行有效推理的问题。克服模型选择后过度自信的推理结果的一种可能的解决方案是选择性推理,其构成选择后推理框架,通过对选择事件进行条件化来产生有效的推理语句。我们最近的工作选择性推理类的添加剂和线性混合模型的任何类型的模型选择机制,可以表示为一个函数的结果变量(并可能在协变量上,它的条件)。我们调查的性质,我们的建议在模拟研究和应用框架的数据集在货币经济学。由于我们提出的方法的一般性,所提出的方法也适用于非标准的选择程序,我们在我们的应用程序中证明。在这里,最终添加剂混合模型选择使用分层选择过程,这是基于条件赤池信息标准,并涉及不同的数据集大小。
2020-12-20 stat.CO stat.ME
Dynamic prediction intervals for survival times
University of Bologna(博洛尼亚大学);Leiden University(莱顿大学)
针对纵向数据下的生存时间动态预测,提出基于惩罚回归校准与保形校准的预测区间方法,相比朴素反转更稳定可靠。
2026-09-10 stat.ME
Calibrated Counterfactual Conformal Fairness ($C^3F$): Post-hoc, Shift-Aware Coverage Parity via Conformal Prediction and Counterfactual Regularization
Lightcap;Turkish Aeronautical Association(土耳其航空协会)
提出事后方法$C^3F$,融合重要性加权共形校准与反事实正则化,在协变量偏移下保障群体条件覆盖率均等,并通过基准实验验证其有效性。
2025-09-29 stat.ME
Distribution-Free Predictive Inference For Regression
我们开发了一个一般的框架,在回归分布自由预测推理,使用共形推理。所提出的方法允许使用任何估计的回归函数的响应变量的预测带的建设。由此产生的预测带保留了标准假设下原始估计量的一致性,同时即使在这些假设不成立的情况下也能保证有限样本的边际覆盖。我们分析和比较,经验和理论,我们的共形框架的两个主要变种:全共形推理和分裂共形推理,以及相关的刀切法。这些方法提供了统计准确性(得到的预测区间的长度)和计算效率之间的不同权衡。作为扩展,我们开发了一种方法来构建有效的样本预测区间称为{ \it rank-one-out}共形推理,它具有基本相同的计算效率分裂共形推理。我们还描述了我们的程序的扩展,用于产生具有局部变化长度的预测带,以适应数据中的heteroskedascity。最后,我们提出了一个无模型的变量重要性的概念,称为{ \it leave-one-covariate-out}或LOCO推断。本文附带了一个R包{ \tt conformalInference},它实现了我们介绍的所有建议。本着可重复性的精神,我们所有的经验结果也可以很容易地(重新)使用这个包生成。
2017-03-08 math.ST 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
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
Conditional Selective Inference for the Selected Groups in Panel Data
Jinan University(暨南大学);Xiamen University(厦门大学)
针对面板数据k-means聚类选定组的斜率差异检验因选择与推断阶段依赖导致I类错误膨胀,本文提出条件选择性推断方法,融入GMM框架,模拟与实证验证了其有效性。
2026-08-05 stat.ME
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
Selective Inference for Sparse Multitask Regression with Applications in Neuroimaging
本文针对神经影像中多任务稀疏回归问题提出选择性推断框架,通过细化选择事件构造可解的选择调整似然,实现有效置信区间,并在ABCD数据上验证其优于数据拆分方法。
2023-08-10 stat.AP stat.ME stat.ML
Evaluating methods for Lasso selective inference in biomedical research by a comparative simulation study
回归模型的变量选择在生物医学数据分析中起着关键作用。然而,经典的统计频率论假设模型中有一组固定的协变量,不包括选择后的推断。我们回顾两种解释的推理选择后:完整的模型视图,其中感兴趣的参数是所有预测的完整模型,然后专注于子模型视图,其中感兴趣的参数是选定的模型。在L1惩罚回归的背景下,我们使用受生物医学研究中常见的真实数据启发的模拟研究,通过软件包比较应用研究人员可用的置信区间的子模型推理(选择性推理)提案。此外,我们提出了一个示例性的应用程序,这些方法公开可用的数据集,讨论其实际可用性。我们的研究结果表明,选择性的置信区间的频率属性一般是可以接受的,但除了最保守的方法,在所有的情况下,所需的覆盖水平不能保证。推断方法的选择可能对所得的区间估计值有很大影响,因此需要用户敏锐地意识到推断的目标,以便解释和传达结果。目前可用的软件包还不是很方便用户使用,也不是很强大,这可能会影响其在实践中的使用。总之,我们发现选择后的子模型推断对于有经验的统计学家在未来的应用中评估单个选择的预测因子的重要性是有用的。
2021-07-20 stat.ME
Conformal prediction with local weights: randomization enables local guarantees
针对保形预测仅有边际覆盖、逐点局部覆盖又不可实现的问题,本文提出随机局部化保形预测RLCP,结合局部化与加权CP,获得放宽的局部覆盖及协变量偏移下有效性,并通过模拟和真实数据实验验证。
2024-10-26 stat.ME
Conformalized Regression for Continuous Bounded Outcomes
University College London(伦敦大学学院)
针对连续有界结果的回归问题,提出基于变换回归模型的共形预测区间,使用分位数残差得分处理异方差性和边界不对称性,并证明边际有效性和渐近条件有效性。
2026-10-01 cs.LG stat.ME stat.ML
Prediction Sets and Conformal Inference with Interval Outcomes
UCL(伦敦大学学院);IFS(英国财政研究所);CeMMAP(宏观经济与货币政策中心);Harvard University(哈佛大学)
本文提出了一种针对区间结果的预测集估计方法,结合符合推断和部分识别理论,用于构建具有有限样本有效性且在样本量增长时保持一致的预测集。
2026-11-13 econ.EM stat.ME
Robust Conformal Outlier Detection under Contaminated Reference Data
Department of Electrical and Computer Engineering, Technion IIT, Haifa, Israel(技术学院电子与计算机工程系);Department of Computer Science, Technion IIT, Haifa, Israel(技术学院计算机科学系);Department of Data Sciences and Operations, University of Southern California, Los Angeles, California, USA(南加州大学数据科学与运营系);Department of Computer Science, University of Southern California, Los Angeles, California, USA(南加州大学计算机科学系)
针对共形异常值检测中参考集易受污染导致检验功效下降的问题,提出主动数据清理框架,在有限标记预算下选择性标注并移除可疑异常值,在保证第一类错误控制有效性的同时提升检测功效。
2025-06-15 cs.LG stat.ME stat.ML