E-Values Expand the Scope of Conformal Prediction
Inria（法国国家信息与自动化技术研究所）；Ecole Normale Supérieure（巴黎高等师范学院）；PSL Research University（巴黎 sciences-et-lettres 大学）；University of California, Berkeley（加州大学伯克利分校）
本文提出基于e-值的共形e-预测方法，通过三个应用展示了其在批量任意时刻有效预测、固定大小共形集及模糊标签场景下超越传统p-值方法的优势，扩展了共形预测的理论与实践能力。
2025-05-06 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
Conformal Prediction Intervals for Markov Decision Process Trajectories
Oregon State University（俄勒冈州立大学）；SRI International（SRI国际）
在将任务委托给自治系统之前，人类操作员可能想要关于系统的行为的保证。本文扩展了以前的工作保形预测的功能数据和保形分位数回归提供保形预测区间的自治系统执行一个固定的控制策略上的马尔可夫决策过程（MDP）的未来行为。预测区间是通过对分位数回归计算的预测区间应用保形校正来构造的。所得到的区间保证所观察到的轨迹将以概率$1-δ$位于预测区间内，其中概率是相对于MDP的起始状态分布和随机性来计算的。该方法在入侵物种管理和StarCraft2战斗的MDP上进行了说明。
2022-06-21 cs.LG stat.ML
Aggregating Predictions on Multiple Non-disclosed Datasets using Conformal Prediction
Uppsala University（乌普萨拉大学）；Royal Holloway, University of London（伦敦大学皇家霍洛威学院）；Stena Line（Stena Line（斯特纳航运））
共形预测是一种机器学习方法，可在温和条件下产生有效的预测区域。在本文中，我们探讨了在不同大小的多个数据源上进行预测的应用，而不披露源之间的数据。我们建议，每个数据源应用一个独立的使用本地数据的转导共形预测，然后聚合的个人预测，形成一个组合的预测区域。我们在几个数据集上演示了该方法，并表明所提出的方法产生保守有效的预测，并减少了聚合预测的方差。我们还研究了数据源的数量和每个源的大小对聚合预测的影响，与同样大小的源和汇总数据相比。
2018-06-14 cs.LG stat.ML
Confident Object Detection via Conformal Prediction and Conformal Risk Control: an Application to Railway Signaling
Institut de Mathématiques de Toulouse（图卢兹数学研究所）；SNCF（法国国家铁路公司）；Brown University（布朗大学）；Thales AVS France SAS（泰雷兹航空航天系统法国股份有限公司）；IRT Saint Exupéry（圣埃克苏佩里技术研究所）
本文面向铁路信号检测，基于驾驶员视角图像数据集和先进目标检测器，评估多种保形预测方法并提出保形风险控制新方法，以提供形式化保证的不确定性界限。
2023-04-17 cs.LG stat.ML
From predictions to confidence intervals: an empirical study of conformal prediction methods for in-context learning
PSL Research University（PSL研究大学）；EURECOM；Stellantis
本研究提出基于上下文学习的保形预测方法，在单次前向传播中构建具有保证覆盖率的预测区间，实现高效且稳健的不确定性估计，并建立缩放定律指导模型训练。
2025-04-22 cs.LG stat.ML
A tutorial on conformal prediction
共形预测使用过去的经验来确定新预测的精确置信度。给定错误概率$ε$，连同对标签$y$进行预测的方法$\hat{y}$，它产生一组标签，通常包含$\hat{y}$，其也包含概率为$1-ε$的$y$。共形预测可以应用于任何方法生产$\hat{y}$：最近邻法，一个支持向量机，岭回归等共形预测设计的在线设置中，标签被连续预测，每一个被揭示之前，下一个被预测。保形预测最新颖和最有价值的特征是，如果连续的样本是从同一分布独立采样的，那么连续的预测将是正确的$1-ε$的时间，即使它们是基于累积数据集而不是独立的数据集。除了连续样本独立采样的模型之外，其他在线压缩模型也可以使用保形预测。广泛使用的高斯线性模型就是其中之一。本教程介绍了一个自包含的帐户理论的共形预测和工程通过几个数值例子。关于这个主题的更全面的讨论是在Vladimir Vovk，Alex Gammerman和Glenn Shafer的“随机世界中的学习”（Springer，2005）中提供的。
2007-06-21 cs.LG stat.ML
Flow-based Conformal Prediction for Multi-dimensional Time Series
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（希拉德-米利斯坦斯通工业与系统工程学院，佐治亚理工学院）
本文提出基于流和分类器无指导的新型时间序列置信预测方法，解决观测相关性和非一致性评分的交换性假设问题，并构建多维输出的预测集，提供精确的覆盖保证。
2026-03-20 cs.LG stat.ML
Making learning more transparent using conformalized performance prediction
Osaka University（大阪大学）
在这项工作中，我们研究了一些新的应用保形推理技术的问题，提供机器学习程序更透明，准确，实用的性能保证。我们提供了传统的共形预测框架的自然扩展，以这样一种方式完成，当通过一个尚未见过的训练集时，我们可以对任意学习算法的未来性能做出有效和校准良好的预测声明。此外，我们包括一些新生的实证例子来说明潜在的应用。
2020-07-09 cs.LG stat.ML
Fast Conformal Prediction using Conditional Interquantile Intervals
本文提出CIR和CIR+方法，通过改进的分位数区间构建技术，实现高效且准确的符合预测，适用于处理偏斜分布和提高计算效率。
2026-01-06 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
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
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
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
Conformal Load Prediction with Transductive Graph Autoencoders
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）
本文提出一种基于图神经网络和保形预测的边权重预测方法，结合误差重加权与保形分位数回归处理异方差性，在交通数据集上实现了优于基线的覆盖率和效率。
2024-06-12 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
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
Conditional validity of heteroskedastic conformal regression
Ghent University（根特大学）
本文研究异方差回归中保形预测区间的条件有效性问题，通过归一化和Mondrian保形预测等方法构建自适应预测区间，并从理论和实验上系统比较了这些方法的条件有效性及其对数据分布假设的依赖关系。
2024-04-30 cs.LG stat.ML
Split Conformal Prediction under Data Contamination
Department of Statistics, University of Oxford（统计系，牛津大学）；Department of Statistics, University of Warwick（统计系，沃里克大学）；Department of Mathematics, UCLA（数学系，加州大学洛杉矶分校）；Department of Mathematics, Université libre de Bruxelles（数学系，布鲁塞尔自由大学）
本文研究了在数据污染环境下分割置信预测的鲁棒性，提出抗污染置信预测方法，并通过实验验证其有效性。
2025-11-28 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
Conformal Graph Prediction with Z-Gromov-Wasserstein Distances
本文提出一种基于Z-格罗莫夫瓦瑟斯坦距离的图值输出符合性预测框架，通过融合格罗莫夫-瓦瑟斯坦方法实现图结构的置换不变比较，并引入Score Conformalized Quantile Regression方法以适应复杂输出空间。
2026-07-20 cs.LG stat.ML
Accelerating Conformal Prediction via Approximate Leave-One-Out
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
提出利用近似留一法（ALO）估计量加速共形预测，理论证明渐近覆盖率和效率，模拟显示在保持性能的同时显著降低计算时间。
2026-07-01 cs.LG stat.ML
Conformal Prediction: A Theoretical Note and Benchmarking Transductive Node Classification in Graphs
Dolby Laboratories（多利贝实验室）；The Ohio State University（俄亥俄州立大学）；Cisco Systems（思科系统）
针对当前图共形预测研究起步阶段存在的实现、基准与评估选择矛盾的问题，分析现有设计选择与方法权衡，提出可无损扩展至大规模图数据集的技术，为该领域后续研究提供理论与实证支撑的建议。
2025-05-19 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
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 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
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
Leave-One-Out Stable Conformal Prediction
The Ohio State University（俄亥俄州立大学）
针对保形预测在多预测场景中平衡计算效率与精度的挑战，提出无需样本拆分的留一法稳定保形预测（LOO-StabCP），利用留一法稳定性加速完全保形，在处理大量预测请求时比RO-StabCP更快，并推导了多种机器学习工具的稳定性边界，在数值实验中表现优越。
2025-04-16 cs.LG 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
Topology-Aware Conformal Prediction for Stream Networks
Northwestern University（西北大学）；University of Illinois Chicago（伊利诺伊大学香槟分校）；Carnegie Mellon University（卡内基梅隆大学）
本文提出时空自适应保形推理框架STACI，通过拓扑感知非一致性分数整合河流网络有向流约束与时间动态，在保证有效性的同时提升预测效率和覆盖率。
2025-11-08 cs.LG stat.ML
Kandinsky Conformal Prediction: Beyond Class- and Covariate-Conditional Coverage
Khoury College of Computer Sciences, Northeastern University（东北大学计算机科学学院）；School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院）
本研究提出Kandinsky共形预测框架，突破传统共形预测的覆盖局限，可灵活处理协变量与标签定义的重叠及分数组，统一拓展现有方法并实现极小极大最优高概率条件覆盖界，经真实数据集验证有效。
2025-07-31 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
Beyond Data Splitting: Full-Data Conformal Prediction by Differential Privacy
Purdue University（普渡大学）；University of Pittsburgh（匹兹堡大学）
本文提出一种基于差分隐私的全数据符合预测框架，通过稳定性控制和保守分位数程序实现隐私保护下的高覆盖水平。
2026-03-08 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
Strategic Instrumental Variable Regression: Recovering Causal Relationships From Strategic Responses
Carnegie Mellon University（卡内基梅隆大学）；University of Minnesota（明尼苏达大学）
在机器学习（ML）算法自动化或告知关于人的后续决策的设置中，个体决策主体通常被激励策略性地修改其可观察属性以接收更有利的预测。因此，评估规则所训练的分布可能与其在部署中操作的分布不同。虽然这样的分布偏移，一般来说，可以阻碍准确的预测，我们的工作确定了一个独特的机会与变化，由于战略反应：我们表明，我们可以有效地使用战略反应，以恢复可观察到的功能和我们希望预测的结果之间的因果关系，即使在未观察到的混杂变量的存在。具体来说，我们的工作通过观察部署模型的序列可以被视为影响代理的可观察特征但不直接影响其结果的工具，在对ML模型的战略响应和工具变量（IV）回归之间建立了一种新的联系。我们表明，我们的因果恢复方法可以用来改善决策在几个重要的标准：个人公平性，代理结果和预测风险。特别是，我们表明，如果决策主体在他们的能力不同，修改非因果属性，任何决策规则偏离因果系数可能会导致（潜在的无限）个人层面的不公平。
2022-06-09 cs.LG
Conformal Prediction in Learning Under Privileged Information Paradigm with Applications in Drug Discovery
Uppsala University（乌普萨拉大学）；AstraZeneca（阿斯利康）
本文探讨了特权信息下学习（LUPI）范式中的共形预测。我们使用SVM+实现的LUPI的归纳共形预测，并将其应用到MNIST基准数据集和三个数据集的药物发现。结果表明，使用特权信息产生有效的模型，并提高了效率相比，标准的SVM，但改善测试数据集之间的差异，并没有实质性的药物发现应用。更重要的是，在共形预测框架中使用SVM+可以在指定的显著性水平上实现有效的预测区间。
2018-04-04 cs.LG stat.AP stat.ML
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
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
Conformal Prediction for Time Series with Modern Hopfield Networks
Google Research（谷歌研究院）
针对时间序列自相关性破坏保形预测假设的问题，提出 HopCPT，利用现代 Hopfield 网络处理并借助时间依赖，在四个领域的多个真实数据集上取得优于现有方法的表现。
2023-11-02 cs.AI cs.LG stat.ML
Conformal Prediction Regions are Imprecise Highest Density Regions
The University of Manchester（曼彻斯特大学）；Ludwig-Maximilian University（路德维希-马克西米利安大学）
该研究证明转导共形预测的共形转换器在一致性假设下推导的信度集对应的不精确最高密度区域（IHDR）即经典共形预测区域，还通过云概念建立共形预测与不精确概率理论的新联系，并发现一致性似然函数是幺半群同态这一新代数性质。
2025-04-18 cs.LG math.PR stat.ML
coverforest: Conformal Predictions with Random Forest in Python
Department of Statistics, Chiang Mai University（统计系，清迈大学）
coverforest是一个基于Python的高效随机森林符合预测工具，通过并行计算和优化实现快速的out-of-bag计算，提升预测效率和覆盖性能。
2025-12-31 cs.LG stat.CO 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
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
Efficient Normalized Conformal Prediction and Uncertainty Quantification for Anti-Cancer Drug Sensitivity Prediction with Deep Regression Forests
Texas Tech University（德克萨斯理工大学）；University of Nebraska - Lincoln（内布拉斯加大学林肯分校）
针对保形预测难以给出样本自适应异方差区间的问题，本文用深度回归森林方差逐样本量化不确定性，提升了药物响应预测中归一化归纳保形预测的效率与覆盖率。
2024-02-21 cs.AI cs.LG stat.ML
Adaptive Conformal Prediction for Quantum Machine Learning
Mathematical Institute, University of Oxford（牛津大学数学研究所）；Department of Computer Science, The University of Manchester（曼彻斯特大学计算机科学系）
本文提出适应性量子符合预测算法，解决量子处理器时间变化噪声对符合保证的影响，通过重复校准保持有效性，实验证明其在IBM量子处理器上的稳定性和覆盖率。
2026-05-15 cs.LG stat.ML stat.OT
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
Predictive Inference with Feature Conformal Prediction
Tsinghua University（清华大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Shanghai Qi Zhi Institute（上海期智研究院）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）
本文提出 feature conformal prediction，通过利用深度表示学习的归纳偏置将 conformal prediction 扩展至语义特征空间，理论证明其在温和假设下优于常规方法，并在 ImageNet 等大规模任务上取得 SOTA 性能。
2023-04-08 cs.AI cs.LG stat.ME
Probabilistic Conformal Prediction Using Conditional Random Samples
University of Texas at Austin（德克萨斯大学奥斯汀分校）；Columbia University（哥伦比亚大学）
本文提出了概率共形预测（PCP），预测推理算法，估计目标变量的不连续预测集。给定输入，PCP基于来自估计生成模型的随机样本构建预测集。它是有效的，兼容显式或隐式条件生成模型。从理论上讲，我们证明PCP可以在有限样本的情况下保证正确的边缘覆盖。经验上，我们研究了各种模拟和真实数据集上的PCP。与现有的共形推理方法相比，PCP提供了更清晰的预测集。
2022-06-20 cs.LG stat.ME stat.ML
Class-Conditional Conformal Prediction with Many Classes
University of California, Berkeley（加州大学伯克利分校）；MIT（麻省理工学院）
本文提出聚类共形预测方法，通过将共形分数相似的类别聚类后在聚类级别进行预测，解决了多类别且每类标注数据有限时的类条件覆盖保证问题，并在最多1000类的图像数据集上验证了其优越性。
2023-10-27 cs.CV cs.LG stat.ME
Conformal Prediction for Multimodal Regression
Communications Research Centre Canada（加拿大通讯研究中心）
本文提出多模态符合回归，通过内部特征提取实现对图像和文本等多模态数据的预测区间构造，拓展了符合预测的应用范围。
2026-05-14 cs.LG
Conformal prediction for frequency-severity modeling
School of Applied Mathematics, Getulio Vargas Foundation（应用数学学院，格尔瓦斯基金会）；Insper Institute of Education and Research（Insper教育与研究学院）；SUSEP - Superintendence of Private Insurance（私人保险监管局）；UERJ - State University of Rio de Janeiro（里约热内卢州立大学）
本研究提出一种具备有限样本统计保证的模型无关框架，将拆分共形预测拓展至保险索赔的两阶段频率-强度建模领域，还针对随机森林强度模型拓展算法，利用袋外机制省去校准集需求。
2025-06-19 cs.LG stat.ME stat.ML
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
Distributed Conformal Prediction via Message Passing
针对去中心化场景下设备校准数据有限、仅能邻接通信的问题，提出两种基于消息传递的分布式共形预测方法Q-DCP与H-DCP，通过实验验证了其在不同拓扑下的性能权衡，代码已开源。
2025-05-21 cs.AI cs.LG stat.ML
From Conformal Predictions to Confidence Regions
Mila（米拉研究所）；Apple（苹果公司）
本文提出CCR方法，利用保形预测区间为模型参数构建置信区域，在最小假设下提供有限样本覆盖保证，并适用于线性模型及多种保形预测方法，实证验证了其有效性。
2024-05-28 cs.LG stat.ME stat.ML
