Validity, consonant plausibility measures, and conformal prediction
未来观测的预测是一个重要且具有挑战性的问题。量化预测不确定性的两种主流方法分别使用预测区域和预测分布，后者被认为信息量更大，因为它可以执行其他与预测相关的任务。有效性的标准概念，我们在这里称之为类型1有效性，侧重于预测区域的覆盖概率，而缺乏与预测分布执行的其他预测相关任务相关的有效性概念。在这里，我们提出了一个新的概念，称为类型2效度，与这些其他预测任务相关。我们建立连接类型-2的有效性和连贯性的属性，并表明，需要不精确的概率考虑，以实现it. We继续表明，这两种类型的预测有效性可以通过解释的共形预测输出的轮廓函数的辅音可扩展性措施来实现。我们还提供了一个新的非参数推理模型建设的基础上，其中的和谐的外观是自然的共形预测的另一种表征，并证明其有效性。
2022-06-09 math.ST stat.ML 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
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
Cross-conformal predictors
本文介绍了交叉共形预测方法，它是归纳共形预测方法和交叉验证方法的混合，并对其有效性和预测效率进行了实证研究。
2012-08-03 cs.LG stat.ML
Conformal Validity Guarantees Exist for Any Data Distribution (and How to Find Them)
Johns Hopkins University（约翰斯·霍普金斯大学）；Genentech（基因泰克）；Prescient Design（普雷西恩特设计公司）
针对数据分布序列反馈循环偏移导致保形预测有效性受限的问题，证明其可扩展至任意联合数据分布，并提出针对AI/ML智能体引发协变量偏移的可处理算法。
2024-06-05 cs.AI cs.LG 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
Length Optimization in Conformal Prediction
University of Pennsylvania（宾夕法尼亚大学）
针对共形预测中条件有效性与长度效率难以兼顾的问题，提出带长度优化的共形预测框架CPL，可在多类协变量偏移下保证条件有效性并实现（近）最优预测集长度，实验表现优于现有最优方法。
2024-12-11 cs.AI cs.LG stat.ME
Probabilistic Conformal Prediction with Approximate Conditional Validity
Lagrange Mathematics and Computing Research Center（拉格朗日数学与计算研究中心）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究所）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Ecole Polytechnique（巴黎综合理工学院）
本研究提出一种结合共形方法灵活性与条件分布估计的预测集生成新方法，实现近似条件覆盖，推导非渐近界，实验验证其在条件覆盖上优于现有方法，提升统计推断可靠性。
2024-10-09 cs.LG math.PR math.ST
Conformal Prediction Assessment: A Framework for Conditional Coverage Evaluation and Selection
Qiuzhen College, Tsinghua University（清华大学求真书院）；Yau Mathematical Sciences Center, Tsinghua University（清华大学丘成桐数学科学中心）
本文提出CPA框架，通过训练可靠性估计器评估条件覆盖，引入CVI指数分解可靠性并证明其一致性，实验表明CPA能有效诊断局部失效模式。
2026-03-28 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
Extending Conformal Prediction to Hidden Markov Models with Exact Validity via de Finetti's Theorem for Markov Chains
Tippie College of Business, University of Iowa（爱荷华大学蒂皮商学院）；Pacific Northwest National Laboratory（太平洋西北国家实验室）；Palo Alto Networks（帕洛阿尔托网络）
本文将保形预测推广至隐马尔可夫模型，利用马尔可夫链的 de Finetti 定理将不可交换数据划分为可交换块，在保留理论保证的同时将不可交换性转化为提升性能的优势。
2023-05-22 cs.LG eess.SP 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
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
Extending Prediction-Powered Inference through Conformal Prediction
FGV EMAp
本文将预测驱动推断与保形预测结合，用校准的保形集预测器进行缺失数据插补，从而在有效推断之外自然获得隐私、鲁棒性及分布偏移下的保证。
2025-10-17 cs.LG stat.ME stat.ML
Localized Conformal Multi-Quantile Regression
Department of Biostatistics, Georgetown University（乔治城大学生物统计学系）
本文提出LCMQR框架，结合多分位信息与核定位，构建高效适应性预测区间，并通过GC-LCMQR实现组级覆盖，提升预测效率与有效性。
2025-11-30 cs.AI cs.LG stat.ME
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
Adaptive Conformal Inference through the Lens of Blackwell Approachability
Université Paris-Saclay, CNRS, Inria, Laboratoire de mathématiques d’Orsay（巴黎-萨克雷大学、国家科学研究中心、法国国家信息与自动化技术研究院、奥赛数学实验室）；EDF R&D, Palaiseau, France（EDF研发部、帕莱伊索，法国）；HEC Paris, Jouy-en-Josas, France（巴黎HEC商学院、尤耶-恩-乔萨斯，法国）
研究自适应共形推理，将其表述为重复两人博弈，基于布莱克威尔可达性引入策略，能确保有效性并使预测区间效率适应对手随机程度，在多种场景下提供保证。
2026-07-16 cs.LG 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
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
Classification with Reject Option: Distribution-free Error Guarantees via Conformal Prediction
Department of Computer Science, Royal Holloway, University of London（伦敦大学皇家霍洛威学院计算机科学系）；Department of Mathematics, Stockholm University（斯德哥尔摩大学数学系）
本文基于共形预测（CP）形式化了二元分类中的拒绝选项方法，通过仅接受单例预测将CP转化为带拒绝选项的分类器，并推导了无分布的误差率理论保证与有限样本估计，最后通过数值示例和错误-拒绝曲线展示了不同设置下的表现与权衡。
2025-06-26 cs.LG stat.ML
Stacked conformal prediction
Insper Institute of Education and Research（Insper教育与研究学院）
本文提出一种对堆叠预测模型进行置信校准的方法，通过顶层元学习器的简单形式实现可控计算成本，无需额外校准样本即可近似达到边际有效性。
2025-07-08 cs.LG stat.ML
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
Conditional validity and a fast approximation formula of full conformal prediction sets
本文证明全共形预测集在稳定性条件下具有训练条件保守性，提出计算更快的近似公式，并证明其与全共形、交叉共形及Jackknife等方法在渐近训练条件覆盖上等价。
2025-08-07 math.ST stat.TH
Distribution-Free Conformal Prediction for Steel Fatigue Strength: Marginal Validity Is Not Enough
Dibrugarh University Institute of Engineering and Technology（Dibrugarh大学工程技术学院）
本文首次将共形预测应用于钢材疲劳强度，发现边缘覆盖率不足，提出交叉拟合归一化共形方法实现均匀覆盖率，强调需同时评估条件与边缘覆盖率。
2026-08-17 cs.LG stat.AP
Posterior Conformal Prediction
National University of Singapore（新加坡国立大学）；Stanford University（斯坦福大学）
提出后验共形预测（PCP）方法，通过将条件非一致性得分分布建模为混合分布，在数据自然发现的簇上实现边际和近似条件有效性，产生更紧的预测区间。
2026-05-27 stat.ME stat.ML
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
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
Conformal prediction of future insurance claims in the regression problem
Department of Mathematical Sciences, The University of Texas at Dallas（德克萨斯大学达拉斯分校数学科学系）
本文提出无模型、无调参且具备有限样本覆盖保证的保形预测方法，以解决保险索赔回归预测中的模型误设、选择效应和有效性问题，并通过模拟与真实数据验证其满足 Solvency II 偿付能力资本要求的应用价值。
2025-09-28 cs.LG stat.AP stat.ML
Conformal Classification with Equalized Coverage for Adaptively Selected Groups
University of Southern California（南加州大学）
本研究提出一种面向自适应选择分组的共形分类方法，通过生成带有效条件覆盖率的预测集评估分类不确定性，在预测效率与敏感群体算法公平性间实现折中，并在模拟和真实数据集上验证了有效性。
2024-10-30 cs.LG stat.ML
Group conditional validity via multi-group learning
我们考虑了无分布的保形预测问题和群体条件有效性准则。这个标准是由许多实际场景，包括隐藏分层和组公平的动机。现有的方法实现这样的保证下，限制性的分组结构或分布假设，或者他们是过度保守的异方差噪声。我们提出了一个简单的减少的问题，实现有效性保证个别人口利用算法的问题称为多组学习。这使我们能够从多组学习中获得理论保证，以获得保形预测的样本复杂性保证。我们还提供了一个新的算法，多组学习的层次结构的群体。在我们的约简中使用该算法可以通过更简单的预测器结构来改善样本复杂度保证。
2023-03-19 cs.LG math.ST stat.TH
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
Backward Conformal Prediction
INRIA-ENS-PSL Paris（法国国家信息与自动化研究所-巴黎综合理工学院-巴黎理工学院）；UC Berkeley（加州大学伯克利分校）
反向符合预测通过约束预测集大小行为并调整覆盖率水平，提供灵活的可计算覆盖率保证，适用于医疗诊断等大预测集不现实的应用场景。
2026-02-12 cs.LG stat.ML
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
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
Enhanced localized conformal prediction with imperfect auxiliary information
Nankai University（南开大学）；the University of Melbourne（墨尔本大学）
提出增强局部化共形预测（ELCP），利用密度比加权核估计整合辅助数据，在保持有限样本边际覆盖的同时提升局部覆盖可靠性。
2026-06-07 stat.ME
Distributional conformal prediction
我们提出了一个强大的方法来构建有条件的有效预测区间的基础上，如分位数和分布回归模型的条件分布。我们的方法可以应用于重要的预测问题，包括横截面预测，k步提前预测，综合控制和反事实预测，和个人的处理效应预测。我们的方法利用概率积分变换，并依赖于置换估计的秩。与回归残差不同，秩与预测因子无关，允许我们在异方差下构建有条件有效的预测区间。我们建立近似条件下的一致性估计的有效性，并提供近似无条件下的模型误设定，过拟合，和时间序列数据的有效性。我们还提出了一个简单的“形状”调整我们的基线方法，产生最佳的预测区间。
2021-08-21 econ.EM stat.ME
Copula-based conformal prediction for Multi-Target Regression
HEUDIASYC - UMR CNRS 7253（法国国家科学研究中心7253联合研究单位 启发式与诊断复杂系统实验室）；Université de Technologie de Compiègne（贡比涅技术大学）
有相对较少的作品处理多任务学习问题的共形预测，这是特别真实的多目标回归。本文重点讨论了提供有效（即，频率校准）多变量预测。为此，我们建议使用应用于深度神经网络的copula函数进行归纳共形预测。我们表明，所提出的方法，确保效率和有效性的多目标回归问题的各种数据集。
2021-01-28 cs.AI cs.LG stat.ML
Retrain or not retrain: Conformal test martingales for change-point detection
我们主张通过建立一个用于检测数据分布变化和算法需要重新训练的时刻的方案来补充训练预测算法的过程。我们提出的方案是基于交换鞅，即，在数据的任何可交换分布下都是鞅的过程。我们的方法，基于共形预测，是通用的，可以应用于任何现代预测算法之上。它的有效性是有保证的，在本文中，我们在探索其效率的第一步。
2021-02-20 cs.LG stat.ML
Hierarchical Probabilistic Conformal Prediction for Distributed Energy Resources Adoption
Carnegie Mellon University（卡内基梅隆大学）
针对分布式能源采纳预测中的不确定性和分层电网结构，提出基于多元霍克斯过程与分裂保形预测的量化框架，确保聚合后统计有效性，在印第安纳波利斯数据上优于基线。
2026-06-11 cs.LG stat.AP 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
Efficiency of conformalized ridge regression
保形预测是一种产生预测集的方法，可以应用于各种预测算法之上。该方法在标准IID假设下具有保证的覆盖概率，而不管底层算法的假设（通常限制性更大）是否满足。然而，为了使该方法真正有用，希望在满足基础算法的假设的情况下，与基础算法相比，适形预测器在效率上损失很少（而作为适形预测器，它具有更强的有效性保证）。在本文中，我们探讨在贝叶斯岭回归的情况下，这种额外的要求是满足的程度，我们发现，渐近共形预测集不同的岭回归预测区间时，标准的贝叶斯假设得到满足。
2014-04-08 cs.LG stat.ML
Retrieving predictive densities from conformal predictive distributions
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；Delft University of Technology（代尔夫特理工大学）；Ortec Finance（奥泰克金融）
本研究提出分位数匹配方法从共形预测分布恢复预测密度，证明其渐近边际有效性，并构建保真度约束的带宽优化，在模拟房地产数据上验证了方法。
2026-09-22 math.ST stat.ME stat.TH
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
On some practical challenges of conformal prediction
Department of Mathematical Sciences, The University of Texas at Dallas（德克萨斯大学达拉斯分校数学科学系）
本文探讨了符合预测方法在实际应用中的三个挑战，并提出了一种二次多项式非符合度量来同时解决这些挑战。
2026-03-30 cs.LG stat.ML
False Discovery Rate Control For Structured Multiple Testing: Asymmetric Rules And Conformal Q-values
本文提出 PLIS 程序，通过仅要求零假设共形分数成对可交换，突破对称规则限制，实现结构化多重检验中的有限样本 FDR 控制与功效提升。
2024-06-17 stat.ME
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
On a Probability Inequality for Order Statistics with Applications to Bootstrap, Conformal Prediction, and more
University of Pennsylvania（宾夕法尼亚大学）；Carnegie Mellon University（卡内基梅隆大学）
本文探讨了在非独立和非同分布条件下顺序统计量的概率不等式，并展示了其在自助法、符合预测等中的应用。
2026-04-16 math.ST stat.ME stat.TH
Conformal Prediction with Partially Labeled Data
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）
本文将 Conformal Prediction 推广到部分标签、集合值训练与校准数据场景，证明方法有效性，并通过实验显示其优于自然基线。
2023-06-01 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
Time-uniform conformal and PAC prediction
Department of Statistics and Data Science, Carnegie Mellon University（统计与数据科学系，卡内基梅隆大学）
本文提出了一种时间一致的共形与PAC预测方法，适用于数据点数量不确定的序列设置，确保预测集在任意时间点的覆盖率符合要求。
2026-02-06 cs.LG stat.ML
Leave-One-Out-, Bootstrap- and Cross-Conformal Anomaly Detectors
German Federal Ministry for Economic Affairs and Climate Action（德国经济事务和气候行动部）
为解决异常检测中校准数据不足的问题，基于共形预测提出留一法、自助法和交叉共形方法，在控制第一类错误率的同时提高数据效率。
2026-06-15 cs.LG stat.ML
Conformal prediction for text infilling and part-of-speech prediction
North Carolina State University（北卡罗来纳州立大学）；University of Florida（佛罗里达大学）；High Point University（高点大学）；University of Louisiana, Lafayette（路易斯安那大学拉法叶分校）
现代机器学习算法能够提供非常准确的点预测;然而，关于其统计可靠性的问题仍然存在。与传统的机器学习方法不同，共形预测算法返回置信集（即，集值预测）。此外，这些置信度集是有效的，因为它们保证了对类型1错误概率的有限样本控制，允许从业者选择可接受的错误率。在本文中，我们提出了归纳共形预测（ICP）算法的文本填充和词性（POS）预测的自然语言数据的任务。我们构建了新的共形预测增强的双向编码器表示，从变压器（BERT）和双向长短期记忆（BiLSTM）算法的POS标记和一个新的共形预测增强的BERT算法的文本填充。我们分析了使用布朗语料库，其中包含超过57,000句模拟算法的性能。我们的研究结果表明，ICP算法能够产生有效的集值预测是足够小，适用于现实世界中的应用。我们还提供了一个真实的数据示例，说明我们提出的集值预测如何改善机器生成的音频传输。
2021-11-04 cs.LG stat.ML
Distribution-informed Online Conformal Prediction
School of Statistics and Data Science, LPMC, KLMDASR and LEBPS, Nankai University（南开大学统计与数据科学学院）；Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
本文提出了一种基于分布的在线适配预测算法COP，通过整合数据模式以生成更紧的预测集，同时保证覆盖率和减少后悔。
2026-02-24 cs.LG stat.ML
Approximating Score-based Explanation Techniques Using Conformal Regression
KTH Royal Institute of Technology（瑞典皇家理工学院）；Jönköping University（延雪平大学）
针对基于分数的可解释方法计算成本高的问题，提出用低成本回归模型结合归纳共形预测近似SHAP等解释输出，设计非一致性度量，实验证明比TreeSHAP更快且能生成带有效性保证的紧致区间。
2023-08-23 cs.AI cs.LG stat.ML
