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
Trustworthy Classification through Rank-Based Conformal Prediction Sets
City University of Hong Kong（香港城市大学）
针对现代分类模型校准不佳和高维数据问题，提出基于排名的共形预测方法，构建可控大小的预测集，并通过理论分析和实验验证其在多种数据集上实现可靠不确定性量化。
2024-07-05 cs.LG
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
One Sample is Enough to Make Conformal Prediction Robust
CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）；University of Cologne（科隆大学）
本研究提出了一种单样本鲁棒符合预测方法，通过验证符合过程本身，实现更小的鲁棒预测集，适用于分类和回归任务。
2025-12-08 cs.AI 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
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 with Limited False Positives
CSAIL, Massachusetts Institute of Technology（麻省理工学院计算机科学与人工智能实验室）；Google Research（谷歌研究院）
我们开发了一种新的多标签共形预测方法，我们的目标是输出一组精确的有前途的预测候选人与有限数量的不正确的答案。标准保形预测通过构建校准的候选集来代替单个预测，从而提供适应模型不确定性的能力，并保证该集合包含具有高概率的正确答案。然而，为了服从这种覆盖性质，共形集可能会被嘈杂的候选者淹没-这可能使它们在实践中毫无帮助。这与预算有限的实际应用特别相关，并且与假阳性相关联的成本（货币或其他）不可忽略。我们建议通过强制在预测的共形集合中存在不正确的候选者（即，假阳性的总数）根据用户指定的容限来限定。受此约束，我们的算法然后优化集合覆盖的广义概念（即，真阳性率），其允许给定查询的任何数量的真答案（包括零）。我们在自然语言处理、计算机视觉和计算化学中的许多分类任务中证明了这种方法的有效性。
2022-02-15 cs.LG
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
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
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
Conformal Prediction and Human Decision Making
本文构建决策论框架，分析conformal prediction集合作为人类决策支持信号的价值，形式化使用策略并指出其与人机决策目标的张力，提出未来研究建议。
2025-03-18 cs.AI cs.LG stat.ML
Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores
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）
针对标准 conformal 预测仅保证边际覆盖的局限，本研究提出基于分类器置信度和信任分数的改进算法，在分类器过度自信于错误预测的关键场景提升条件覆盖，实证显示其在多图像数据集上改善了类别、子组等条件覆盖特性。
2025-02-09 cs.AI cs.LG stat.ME
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
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
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
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
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
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
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
Validation of Conformal Prediction in Cervical Atypia Classification
针对宫颈异型增生分类中深度学习模型过度自信的问题，该研究利用多名专家标注集合验证三种保形预测方法，发现传统覆盖率评估高估性能且预测集合常不符合人类标签。
2025-05-13 cs.AI cs.CV 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
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
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
Conformal Risk-Averse Decision Making with Action Conditional Guarantee
University of California, Berkeley（加州大学伯克利分校）
提出行动条件共形预测方法，通过分位数损失最小化算法实现行动条件风险价值优化，在有限样本下提供行动条件安全保证。
2026-06-11 cs.AI cs.LG stat.ML
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
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
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
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
Efficient and Differentiable Conformal Prediction with General Function Classes
Salesforce Research（赛富时研究院）；UC Berkeley（加州大学伯克利分校）
量化学习任务中的数据不确定性通常通过学习给定输入的标签的预测区间或预测集来完成。学习的预测集的两个常用属性是\emph{valid coverage}和\emph{good efficiency}（例如低长度或低基数）。保形预测是一种用于学习具有有效覆盖的预测集的强大技术，但默认情况下，其保形化步骤仅学习单个参数，并且不会优化更具表达性的函数类的效率。在本文中，我们提出了一个推广的共形预测多个可学习的参数，通过考虑约束的经验风险最小化（ERM）问题，找到最有效的预测集有效的经验覆盖。该元算法推广了现有的共形预测算法，我们表明，它实现了近似的有效人口覆盖率和类内接近最优的效率，只要在一致化步骤中的函数类在一定意义上是低容量的。接下来，这个ERM问题是具有挑战性的优化，因为它涉及到一个不可微的覆盖约束。我们开发了一个基于梯度的算法，它通过使用可微代理损失和拉格朗日近似的原始约束ERM。实验表明，该算法能够有效地学习预测集，并在改进长度的预测区间、用于多输出回归的最小体积预测集和用于图像分类的标签预测集等应用中显著提高了效率。
2022-05-29 cs.AI cs.LG math.ST
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
Decoupled Conformal Optimisation: Efficient Prediction Sets via Independent Tuning and Calibration
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（艾尔沃斯大学计算机科学系）；ELLIS Institute, Finland（芬兰ELLIS研究所）
本文提出了解耦的符合优化（DCO），通过独立的调优和校准步骤，实现了更高效的预测集生成，无需使用相同的验证数据进行调优和校准，从而在保证有限样本边际符合覆盖的同时，减少了预测集的大小或区间宽度。
2026-05-18 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
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
Conformal Prediction for Deep Classifier via Label Ranking
Southern University of Science and Technology（南方科技大学）；ShanghaiTech University（上海科技大学）；Rutgers University（罗格斯大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Chongqing University（重庆大学）
针对深度分类器概率校准不佳导致共形预测集过大的问题，本文提出 SAPS 算法，通过仅保留最大 softmax 概率来降低非一致性分数对概率值的依赖，从而生成更紧凑的预测集并提升条件覆盖率。
2024-06-06 cs.CV cs.LG math.ST
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
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
Multi-model Online Conformal Prediction with Graph-Structured Feedback
Department of Electrical Engineering and Computer Science University of California, Irvine（电气工程与计算机科学系 加州大学伊尔市分校）
提出基于二部图反馈的多模型在线保形预测算法，动态筛选有效模型子集以降低计算复杂度并减小预测集，同时利用预测集大小和模型损失作为反馈，在保证覆盖率和次线性遗憾的前提下显著提升效率。
2025-10-10 cs.LG
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
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
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
Benchmarking non-conformity score functions in conformal prediction
Department of Medical Epidemiology and Biostatistics, Karolinska Institutet（卡罗林斯卡研究所医学流行病学与生物统计学系）；Department of Molecular Medicine and Surgery, Karolinska Institutet（卡罗林斯卡研究所分子医学与外科学系）
本文综述了共形预测中非一致性评分函数的性质，提出原始修改和评估方法，并通过实验比较了不同函数在平衡和不平衡类别设置下的性能。
2026-09-11 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
