Feedback-Enhanced Online Multiple Testing with Applications to Conformal Selection
Nankai University(南开大学);Shanghai Jiao Tong University(上海交通大学)
本文提出GAIF框架,通过动态调整阈值实现FDR控制,并扩展至在线符合检验,提高统计功效。
2026-07-21 stat.ME stat.ML
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
Online conformal inference with retrospective adjustment for faster adaptation to distribution shift
Inha University(仁荷大学)
针对在线环境数据分布变化问题,提出具有回顾性调整的在线共形推理方法,利用回归方法和高效公式追溯调整预测,经实验表明该方法能在接近标称覆盖率时减少预测区间宽度约30%,提升统计效率与适应性。
2026-07-14 cs.LG stat.ML
Online Conformal Prediction via Universal Portfolio Algorithms
King Abdullah University of Science and Technology, Saudi Arabia(卡斯特大学);University of Pennsylvania, USA(宾夕法尼亚大学)
本文提出UP-OCP方法,通过通用投资组合算法实现参数无关的在线符合预测,提供强的有限时间误覆盖界,并在实验中表现优于现有方法。
2026-11-06 cs.LG stat.ML
Online Conformal Prediction for Non-Exchangeable Panel Data
Department of Management Science and Engineering(管理科学与工程系)
本文提出了一种简单的在线符合框架,用于非交换面板数据,通过利用在线面板预测的关键特征,即当需要对一个单位进行预测时,相关单位的同期结果可能已观察到,可以作为校准面板。该方法利用了适应性量来形成预测集,从而在长期内提供覆盖保证。
2026-10-07 cs.LG stat.ME 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
The Relationship between No-Regret Learning and Online Conformal Prediction
University of Pennsylvania(宾夕法尼亚大学)
本文探究无悔学习与在线保形预测的关系,发现标准无悔保证在对抗环境或组条件覆盖场景下失效,证明阈值校准覆盖与交换无悔的紧密联系,且跟随扰动领导者家族算法可提供组条件覆盖保证,还分析实验了ACI算法的多组泛化版本。
2025-02-16 cs.GT cs.LG stat.ML
Optimal training-conditional regret for online conformal prediction
University of Pennsylvania(宾夕法尼亚大学)
本文提出两种在线置信预测算法,分别针对预训练和在线训练的非一致性评分函数,通过漂移检测实现最优训练条件后悔,验证了算法在非平稳数据流中的有效性。
2026-03-05 cs.IT cs.LG math.IT
Parameter-Free and Group Conditional Online Conformal Prediction
Data Science and AI Institute (DSAI), Johns Hopkins University(数据科学与人工智能研究院(DSAI),约翰霍普金斯大学);Mathematical Institute for Data Science (MINDS), Johns Hopkins University(数据科学数学研究院(MINDS),约翰霍普金斯大学);Department of Biomedical Engineering, Johns Hopkins University(生物医学工程系,约翰霍普金斯大学);Department of Computer Science, Johns Hopkins University(计算机科学系,约翰霍普金斯大学);Amazon Responsible AI(亚马逊负责任人工智能)
提出一种无参数算法用于组条件在线共形预测,在保证组条件覆盖的同时无需调参,并在合成和真实数据上验证了其有效性和可靠性。
2026-11-17 cs.LG stat.ML
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
Reliable Real-Time Value at Risk Estimation via Quantile Regression Forest with Conformal Calibration
Institute of Statistics and Big Data, Renmin University of China(统计与大数据研究院,中国人民大学);Department of Decision Analytics and Operations, City University of Hong Kong(决策分析与运营部门,香港城市大学);School of Information, Renmin University of China(信息学院,中国人民大学)
本文提出基于OSOA框架的分位数回归森林与置信校准方法,实现可靠实时VaR估计,提升风险监控的准确性与可靠性。
2026-02-02 cs.AI cs.LG q-fin.RM
Conformal Inference for Online Prediction with Arbitrary Distribution Shifts
Stanford University(斯坦福大学)
针对在线预测中现有共形推断方法对历史数据加权过重、难适配分布偏移的问题,通过改进自适应共形推断算法新增步长参数动态调整步骤,实现对任意分布偏移的自适应,且在真实数据集上验证了鲁棒性。
2023-10-05 cs.LG stat.ME
Online selective conformal inference: adaptive scores, convergence rates and optimality
本文提出 OnlineSCI 算法,通过自适应更新实现在线选择性推断,提供收敛速率和最优性保证。
2026-09-01 math.ST stat.ML stat.TH
Adaptive Conformal Inference by Betting
Walmart Global Tech(沃尔玛全球科技)
本文针对数据非可交换场景下的自适应共形推断问题,提出一种基于无参数在线凸优化的新方法,证明其能控制长期误覆盖频率且无需参数调优。
2024-12-26 cs.LG stat.ML
Online Calibrated and Conformal Prediction Improves Bayesian Optimization
Cornell Tech(康奈尔科技学院);Cornell University(康奈尔大学);Stanford University(斯坦福大学)
本文提出基于在线学习的校准算法,在非平稳数据上可证明地维持预测校准,并以最小开销集成到 Bayesian optimization 中,实验证明其能以更少步骤收敛至更优解。
2024-06-25 cs.LG stat.ML
The Benefit of Being Bayesian in Online Conformal Prediction
Harvard University(哈佛大学);Princeton University(普林斯顿大学)
本文提出一种结合贝叶斯正则化与FTRL的自适应共形预测算法,无需统计假设即可低遗憾响应多置信水平查询,并克服单调性问题,在iid数据下自动获得正确覆盖率保证。
2025-05-22 cs.LG stat.ML
Efficient conformal prediction intervals for time series: Online PID-Expert aggregation
School of Economics and Management, Beihang University(北京航空航天大学经济管理学院);Beijing Shuji Intelligent Technology Co., Ltd.(北京数智科技有限公司);Center for Forecasting Science, Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院预测科学中心)
PID-Expert通过在线聚合多个PID校准器,在保持覆盖率的同时生成更窄的预测区间,提高了时间序列共形预测的效率。
2026-10-05 stat.ME
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
Efficient Online Set-valued Classification with Bandit Feedback
Binghamton University(宾汉姆顿大学)
针对老虎机反馈下真实标签不可见、校准数据稀疏的问题,提出BCCP框架,以无偏估计和随机梯度下降实现在线集值分类,并提供类别特定覆盖率保证。
2024-05-07 cs.LG stat.ML
CPATTA: Conformal Supervision Allocation For Active Test-Time Adaptation
Computer Science and Engineering, University of California San Diego(加州大学圣地亚哥分校计算机科学与工程系);New Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所模式识别新实验室);College of Computer Science and Electronic Engineering, Hunan University(湖南大学计算机科学与电子工程学院)
针对现有主动测试时自适应方法标注效率低的问题,提出融合共形预测的CPATTA方法,通过带覆盖率保证的不确定性度量等设计,在域偏移场景下准确率较现有最优方法提升约5%。
2026-09-30 cs.AI cs.CV cs.LG
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
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
Online Reasoning Calibration: Test-Time Training Enables Generalizable Conformal LLM Reasoning
Department of Electrical Engineering and Computer Science (MIT EECS)(麻省理工学院电气工程与计算机科学系);Computer Science and Artificial Intelligence Laboratory (MIT CSAIL)(麻省理工学院计算机科学与人工智能实验室);Laboratory for Information and Decision Systems (MIT LIDS)(麻省理工学院信息与决策系统实验室);Computational Science and Engineering (MIT CSE)(麻省理工学院计算科学与工程);Massachusetts Institute of Technology(麻省理工学院)
本文提出ORCA框架,通过测试时训练和符合性预测校准推理过程,提升大语言模型在分布变化下的效率和泛化能力,实验证明其在不同任务中具有更高的性能。
2026-08-07 cs.AI cs.CL cs.LG
Online Shift Detection and Conformal Adaptation for Deployed Safety Classifiers
University of California, Berkeley(加州大学伯克利分校)
提出在线监测系统,使用校准序列统计检测分布漂移,并通过共形弃权层自适应阈值恢复目标错误率,在800个实验单元中实现86.6%有效检测。
2026-10-27 cs.CR cs.LG stat.ML
Online Conformal Prediction with Efficiency Guarantees
Department of Computer Science, Northwestern University(计算机科学系,西北大学)
该研究在新型在线共形预测框架下,针对可交换与任意输入序列分别推导了覆盖性与区间效率的理论边界,提出确定性匹配算法实现帕累托最优权衡,填补了经典在线学习未覆盖的场景空白。
2025-10-22 cs.DS cs.LG math.ST
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
Testing for concept shift online
本文继续研究交换鞅,即,过程是鞅下的任何可交换分布的意见。这样的过程可以用于检测IID假设的违反,这通常在机器学习中进行。违反IID假设有时被称为数据集移位,数据集移位有时被细分为概念移位,协变量偏移等。我们的主要兴趣是在概念移位,但我们也将讨论交换鞅分解成两个组件,其中一个检测概念移位和其他检测我们所谓的标签偏移。我们的方法将基于共形预测技术。
2020-12-28 cs.LG stat.ML
Online Learning for Distribution-Free Prediction
我们开发了一个在线学习方法的预测,这是很重要的问题,大和/或流数据集。我们使用协方差拟合方法来制定学习方法,并表明由此产生的预测器具有理想的计算和无分布特性:它是在线实现的,运行时可以线性扩展样本数量;具有恒定的内存需求;避免局部极小值问题;并在不依赖于数据分布的限制性假设的情况下修剪掉冗余的特征维度。结合分裂共形的方法,它也产生分布免费的预测置信区间在计算上有效的方式。该方法被证明在真实和合成数据集。
2017-03-15 cs.LG stat.CO stat.ML
Temporal Conformal Prediction (TCP): Rolling Calibration for Financial Risk Forecasting
University of Louisiana at Lafayette(路易斯安那州立大学拉斐特分校);Presidency College;China Europe International Business School (CEIBS)(中欧国际工商学院)
本文提出TCP框架,结合现代分位数预测器与滚动分割一致性校准层,实现非平稳时间序列中校准的预测区间,通过实验证明其在风险预测中的有效性。
2026-09-20 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
Achieving Risk Control in Online Learning Settings
Technion IIT(以色列理工学院);UC Berkeley(加州大学伯克利分校)
为了为在线学习模型提供严格的不确定性量化,我们开发了一个框架,用于构建可证明控制风险的不确定性集-例如置信区间的覆盖范围,假阴性率或F1分数-在线设置。这扩展了共形预测适用于更大类的在线学习问题。我们的方法保证风险控制在任何用户指定的水平,即使当底层数据分布偏移急剧,甚至相反,随着时间的推移,在一个未知的方式。我们提出的技术是高度灵活的,因为它可以应用于任何基础在线学习算法(例如,在线训练的深度神经网络),需要最小的实现工作量和基本上为零的附加计算成本。我们进一步扩展了我们的方法来同时控制多个风险,因此我们生成的预测集对所有给定的风险都有效。为了证明我们的方法的实用性,我们在真实世界的表格时间序列数据集上进行了实验,结果表明所提出的方法严格控制了各种自然风险。此外,我们展示了如何构建有效的间隔的在线图像深度估计的问题,以前的顺序校准方案不能处理。
2023-01-27 cs.LG stat.ML
Single Trajectory Conformal Prediction
University of Pennsylvania(宾夕法尼亚大学)
研究未知随机动力系统单条时间相关数据轨迹下RCPS的性能,利用分块与解耦技术分别证明平稳收缩动力学下的保证及偏离时的退化,为统一分析在线与离线保形预测提供工具。
2024-06-03 cs.LG cs.SY eess.SY
Conformal Off-policy Prediction
Academy of Statistics and Interdisciplinary Sciences, KLATASDS-MOE(统计与交叉科学研究院(KLATASDS-MOE));East China Normal University(华东师范大学);London School of Economics and Political Science(伦敦政治经济学院);Bytedance(字节跳动)
在许多应用程序中,非策略评估至关重要,因为在这些应用程序中,新策略需要在在线部署之前进行离线评估。现有的方法大多关注于期望收益,通过平均来定义目标参数,并且仅提供点估计。在本文中,我们开发了一个新的程序,以产生可靠的区间估计的目标政策的回报从任何初始状态。我们的建议考虑了收益率围绕其预期的变化,关注个体效应,并提供了有效的不确定性量化。我们的主要思想在于设计一个伪策略,生成子样本,如果他们是从目标策略采样,使现有的共形预测算法适用于预测区间的建设。我们的方法得到了理论、合成数据和短视频平台真实数据的证明。
2023-02-09 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
Discounted Adaptive Online Learning: Towards Better Regularization
Harvard University(哈佛大学)
该研究针对对抗性非平稳环境在线学习的历史遗忘难题,提出基于FTRL的自适应折扣遗憾算法,改进恒定学习率梯度下降基线,还将其用于在线共形预测,简化分析并得到实例依赖性能保证。
2024-06-18 cs.LG stat.ML
Gradient Equilibrium in Online Learning: Theory and Applications
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)
该研究提出在线学习的梯度平衡新视角,证明恒定步长的标准在线学习方法可实现梯度平衡,并将其应用于分布偏移下黑箱预测去偏、分位数校准及成对偏好预测的无偏Elo分数生成。
2025-02-18 cs.LG math.OC math.ST
Optimal Spatio-Temporal Decoupling for Bayesian Conformal Prediction
提出状态自适应贝叶斯共形预测(SA-BCP),通过门控凸组合平衡长期时间惯性与局部空间证据,实现分布漂移下的快速适应与稳定覆盖,并给出MSE最优阈值闭式解及在线选择过程的遗憾界。
2026-06-23 cs.LG stat.ML
Adaptive Conformal Predictions for Time Series
Eletrcicité De France R&D(法国电力公司研发部);INRIA Sophia-Antipolis(法国国家信息与自动化研究所索菲亚-昂蒂波利斯分所);CMAP, Ecole Polytechnique, IP Paris(巴黎综合理工学院应用数学与概率中心(CMAP));FiME;IDESP;Eletrcicité De France R&D, Palaiseau, France(法国电力公司研发部(帕莱索));INRIA Sophia-Antipolis, Montpellier, France(法国国家信息与自动化研究所索菲亚-昂蒂波利斯分所(蒙彼利埃));CMAP, Ecole Polytechnique, IP Paris, Palaiseau, France(巴黎综合理工学院应用数学与概率中心(CMAP,帕莱索));FiME, Palaiseau, France(FiME(帕莱索));IDESP, Montpellier, France(IDESP(蒙彼利埃))
预测模型的不确定性量化在决策问题中至关重要。共形预测是一个普遍的、理论上合理的答案。但是,它需要可交换的数据,不包括时间序列。虽然最近的工作解决了这个问题,我们认为,自适应共形推理(ACI,吉布斯和坎德{è}s,2021年),发展的分布移位时间序列,是一个很好的程序时间序列一般的依赖。我们从理论上分析了在可交换和自回归的情况下,学习率对其效率的影响。我们提出了一种无参数的方法,AgACI,自适应地建立在ACI的基础上在线专家聚集。我们领导广泛的公平模拟对竞争的方法,主张ACI的使用时间序列。我们进行了一个真实的案例研究:电价预测。所提出的聚合算法提供了有效的预测区间日前预测。再现实验的所有代码和数据都是可用的。
2022-02-15 cs.LG stat.ML
State-Matched Sequence Conformal Prediction
Department of Mathematics and Statistics, Georgia State University(佐治亚州立大学数学与统计系)
针对序列共形预测中状态非相邻重复的问题,提出SMSCP方法,通过状态相似性选匹配校准集,在太阳辐照度等基准上提升区间得分,覆盖率更接近0.90。
2026-10-15 cs.LG stat.ML
PromptShift-CRC: What Drift-Aware Weighting Adds to Online Conformal Risk Control for Foundation Models
The 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)
提出PromptShift-CRC方法,通过嵌入提示和响应、测量漂移、加权校准样本并在线更新风险水平,在提示和领域漂移下控制基础模型输出的风险。
2026-11-10 cs.LG stat.ML
Online change point detection under heavy-tailedness and contamination
University of Warwick(华威大学);University of Birmingham(伯明翰大学)
针对动态Huber污染模型,提出在线鲁棒均值变点检测方法,在单变量中划分参数空间实现最优检测延迟,多变量中设计鲁棒均值检验程序,首次同时处理Huber污染和重尾性。
2026-06-08 math.ST stat.TH
Online control of the false discovery rate with decaying memory
University of California, Berkeley(加州大学伯克利分校)
在在线多重检验问题中,需要逐个观察不同原假设对应的p值,并立即决定是否拒绝当前假设,然后观察下一个p值。由Foster和Stine提出的控制错误发现率(FDR)的阿尔法投资算法已经被推广并应用于许多环境,包括科学中的质量保持数据库和互联网商务的多A/B或多臂强盗测试。本文从四个方面改进了广义阿尔法投资算法(GAI):(a)我们展示了如何通过为每次拒绝授予更多的α财富来统一提高整个单调GAI程序类的功率,为Javanmard和Montanari最近提出的困境提供双赢的解决方案,(b)我们展示了如何结合先验权重来指示哪些假设可能是非空的领域知识,(c)我们允许对错误发现的不同惩罚,以表明某些假设可能比其他假设更重要,(d)我们定义了一个新的量,称为衰减记忆错误发现率(mem-FDR),它可能对真正的时间应用更有意义,这也加剧了我们所描述的问题,并称之为“背负”和“阿尔法死亡”。我们的GAI++算法同时合并了所有四种概括,并在权重和衰减都设置为1时减少到早期算法的更强大的变体。最后,我们还描述了一个简单的方法来获得新的在线FDR规则的基础上估计的错误发现比例。
2017-10-02 cs.LG math.ST stat.ME
Highest Probability Density Conformal Regions
本文提出一种异方差回归框架下的最高预测密度共形区域方法,利用有符号共形推断和核密度估计,在多模态目标下输出最小集合近似,在单模态目标下输出最小区间近似,并保证有限样本覆盖率。
2025-04-08 stat.CO stat.ME
Fast and Strong Convergence of Online Learning Algorithms
Zhejiang University(浙江大学);Fudan University(复旦大学)
本文研究了无显式正则化项的在线学习算法。该算法实质上是再生核Hilbert空间(RKHS)中的随机梯度下降算法。每次迭代中多项式衰减的步长可以起到正则化的作用,保证在线学习算法的泛化能力。提出了一种新的基于容量的在线学习算法性能分析方法。本文的贡献是双重的。首先,我们很好的分析可以导致标准均方距离的收敛速度,这是迄今为止最好的。其次,我们建立,第一次,强收敛的最后一个多项式衰减步长在RKHS规范。我们证明了本文建立的理论分析充分利用了底层RKHS的精细结构,从而可以导致在线学习算法的尖锐的误差估计。
2017-10-10 cs.LG stat.ML
Online Regularized Learning Algorithm for Functional Data
Zhejiang University(浙江大学)
近年来,函数线性模型在统计学和机器学习中引起了越来越多的关注,其目的是恢复斜率函数或其函数预测器。研究再生核Hilbert空间中泛函线性模型的在线正则化学习算法。分别给出了多项式衰减步长和常数步长下超差预测误差和估计误差的收敛性分析。快速收敛速度可以通过容量相关分析得出。通过引入显式正则化项,提高了非正则化在线学习算法在步长多项式衰减时的饱和边界,并在没有容量假设的情况下建立了估计误差的快速收敛速度.然而,它仍然是一个开放的问题,以获得容量无关的收敛速度的估计误差的非正则化在线学习算法与衰减步长。在定步长条件下,预测误差和估计误差的收敛速度与文献中的结果相当。
2022-11-24 cs.LG stat.ML
Rigorous uncertainty quantification of probabilistic AI weather forecasts with conformal prediction
University of Chicago(芝加哥大学)
针对AI概率天气预报校准不足(尤其是极端事件),提出使用保形预测方法,无需分布假设即可数学保证覆盖,应用于三个全球模型(GenCast、NeuralGCM、AIFS-ENS)的温度和降水预报,实现校准不确定性而不牺牲其他概率指标。
2026-06-19 physics.ao-ph stat.AP stat.ML
Online scalable Gaussian processes with conformal prediction for guaranteed coverage
School of ECE University of Georgia Athens, GA 30602, USA;Dept. of ECE University of Minnesota Minneapolis, MN 55455, USA
针对在线场景下高斯过程模型易误设、共形预测的可交换性假设难满足的问题,提出结合共形预测的在线可扩展高斯过程方法,通过反馈自适应调整阈值以保障长期预测覆盖率,性能优于现有方案。
2024-10-07 cs.LG stat.ME stat.ML
The power of forgetting in statistical hypothesis testing
本文提出将共形检验纳入一般统计假设检验框架,通过允许遗忘部分数据来完全覆盖共形检验,并指出标准方法的局限及未来研究方向。
2024-02-10 math.ST stat.ME stat.TH
Online Conformal Selection with Accept-to-Reject Changes
本文提出OCS-ARC方法,将在线Benjamini-Hochberg过程融入共形选择框架,实现选择决策不可逆的在线候选筛选,并在i.i.d.和可交换数据假设下保证任意时间步的FDR控制,实验证明其显著提升选择功效。
2025-08-19 cs.LG stat.ML
Conformal Online Learning of Deep Koopman Linear Embeddings
Université Jean Monnet Saint-Etienne(Jean Monnet圣艾蒂安大学);CNRS(法国国家科学研究中心);Institut d’Optique Graduate School(光学研究生学院);Inria(法国国家信息与自动化技术研究院);Laboratoire Hubert Curien UMR 5516(Hubert Curien实验室);Université Lyon 2(里昂2大学);Laboratoire ERIC Bron(Bron ERIC实验室)
COLoKe通过结合深度特征学习和多步预测一致性,实现非线性动力系统Koopman嵌入的自适应更新,有效减少冗余更新并提升长期预测准确性。
2026-01-27 cs.LG stat.ML
Recursively Feasible Shrinking-Horizon MPC in Dynamic Environments with Conformal Prediction Guarantees
针对不确定动态环境下收缩时域MPC现有方案无法保证全任务周期可行性的问题,提出一种随在线新预测区域逐步放宽安全约束的收缩时域MPC,实现递归可行性,实验验证其预测区域更紧致且具备递归可行性。
2024-05-17 cs.SY eess.SY stat.ML
Adaptive Conformal Inference for Multi-Step Ahead Time-Series Forecasting Online
Jönköping University(延雪平大学)
本文改进自适应保形推断(ACI)算法,为在线多步超前时间序列预测提供有限样本覆盖率保证,支持各预测步骤使用不同目标错误率和学习率,并在数值示例中验证了该方法能在区间宽度与覆盖率间取得平衡。
2024-09-23 cs.LG stat.ML
Fast Online Value-Maximizing Prediction Sets with Conformal Cost Control
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Relativity(Relativity公司);Carle Illinois College of Medicine(卡尔伊利诺伊医学院)
本文提出 FavMac 流程,结合任意多标签分类器,通过在线更新机制在严格保形成本控制下最大化预测集价值,并在医疗与合成数据实验中优于基线。
2023-04-25 cs.LG stat.ME stat.ML
Adaptive Bayesian Online Learning via Expert Aggregation
Inha University(仁荷大学)
研究如何改进贝叶斯在线学习,将其更新规则视为专家,按顺序预测损失聚合专家。通过在线共形推理和高斯过程回归实例化框架,得到平滑贝叶斯对应物及神谕不等式,实验显示聚合能跟踪强大专家且无需神谕专家选择。
2026-07-23 cs.LG stat.ML