Certified Adaptive Refresh: Anytime-Valid Monitoring for Federated Conformal RAG
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology(H.米尔顿·斯图尔特工业与系统工程学院,佐治亚理工学院)
提出Anytime-FC-RAG,通过可累积的逐步校准偏差预算和截断投注e过程,将联邦共形RAG扩展到任意停止时间均有效的序贯覆盖,并保证时间均匀报警有效性、Hoeffding拼接累积误覆盖包络及自适应控制下的安全性。
2026-09-30 cs.LG stat.ML
Conformity Breaks Conformal Prediction
Illinois Institute of Technology(伊利诺伊理工学院)
该研究发现多智能体LLM系统中,同伴的错误断言会引发模型评分机制偏移,破坏共形预测,使覆盖率下降,且标准修复方法无效。
2026-09-07 cs.CL 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
Certified Against Which Oracle? Execution Labels Set the Reported Risk of Conformal Abstention for Text-to-SQL
Xinqiao Hospital(新桥医院);Army Medical University (Third Military Medical University)(陆军军医大学(第三军医大学))
针对文本到SQL的保形弃权(不执行)证书,其风险取决于校准所用预言机;用更严格的测试套件替换基准数据库会使报告风险显著上升,且专家标签下风险更高,因此证书应报告两个预言机,一致性得分应在未构建它的预言机下评估。
2026-09-23 cs.CL cs.LG
Conformal testing in a binary model situation
保角检验是基于保角预测检验IID假设的一种方法。本说明的主题是计算评估保形检验的性能在一个模型的情况下,IID的二进制观测产生的伯努利分布,其次是IID的二进制观测产生的另一个伯努利分布,分布和变点的参数未知。现有的共形检验鞅可以用于这一任务,并在简单的情况下工作得很好,但其效率可以大大提高。
2021-04-05 cs.LG stat.ME
Conformal testing: binary case with Markov alternatives
我们继续研究二元模型情况下的保形检验。在这篇笔记中,我们考虑马尔可夫替代的原假设的交换。我们提出了两类新的共形检验鞅,一类是统计有效的,在我们的实验中,和其他类部分牺牲统计效率,以获得计算效率。
2021-11-02 cs.LG math.ST stat.TH
Risk-Averse Decision Making with Multi-Level Reliability Guarantees
Institute for Intelligent Networked Systems (INSI), Northeastern University London(伦敦东北大学智能网络系统研究所(INSI))
本文研究在系统状态不确定下最大化多级性能证书加权平均的风险规避决策问题,将其转化为嵌套预测集优化,并通过对偶形式解耦,实验展示了多级证书的成本与权衡。
2026-09-11 cs.IT cs.LG math.IT
Safe Urban Traffic Control via Uncertainty-Aware Conformal Prediction and World-Model Reinforcement Learning
Dept. of CST, BNRIST, Tsinghua University, Beijing, China(计算机科学与技术系,北京理工大学,北京,中国);Dept. of CST, Tsinghua University, Beijing, China(计算机科学与技术系,清华大学,北京,中国);Independent Researcher, Bihar, India(独立研究者,印度比哈尔)
STREAM-RL通过不确定性感知的置信区间预测和世界模型强化学习,实现安全的城市交通控制,提升安全性和效率。
2026-02-04 cs.AI cs.LG
When Does Trimming Help Conformal Prediction? A Retained-Law Diagnostic under Calibration Contamination
Newcastle University(新castle大学)
本文研究了修剪在符合预测中的作用,通过保留法诊断分析了校准污染的影响,提出了一种基于保留法的校准点处理方法,并给出了有限样本保证模板。
2026-10-14 cs.LG stat.ML
Certified by Abstention: Distribution-Free Guarantees for Chain-of-Thought Verifiers at Small Calibration Budgets
Columbia University(哥伦比亚大学)
本文研究小校准预算下思维链验证器的无分布保证,发现通过弃权(不执行)实现有效性,并提出改进的固定序列证书以提高覆盖率。
2026-10-08 cs.CL cs.LG stat.ML
Bridging Conformal Prediction and Scenario Optimization: Discarded Constraints and Modular Risk Allocation
Department of Electronics and Telecommunications(电子工程与电信系)
本文从系统与控制视角重新连接一致性预测与场景优化,通过扩展可行样本与丢弃场景算法,提出模块化风险分配规则,用于多输出预测和有限时间控制中的风险分配与安全权衡。
2026-03-19 cs.LG cs.SY eess.SY
Criteria of efficiency for conformal prediction
我们研究了在理想化环境中分类效率的各种标准的最佳一致性措施。这导致了一类重要的效率标准,我们称之为概率;事实证明,在文献中使用的最标准的效率标准的共形预测不是概率的,除非分类问题是二元的。我们考虑无条件和标签条件共形预测。
2016-09-14 cs.LG
Certification from Examples is Hard for Circuits and Transformers under Minimal Overparametrization
University of Waterloo(滑铁卢大学)
本文证明在最小过参数化下,对于深度≥2的阈值电路和对数精度Transformer,认证所需示例集大小可能呈指数增长,并探讨了近似认证的难度。
2026-11-13 cs.LG
Conformal Prediction Sets for Deep Generative Models via Reduction to Conformal Regression
School of EECS, Washington State University(电子工程与科学学院,华盛顿州立大学)
针对黑盒深度生成模型预测集的有效性与规模优化问题,提出Generative Prediction Sets共形推理算法,通过归约为共形回归实现可证明保证,在代码和数学应用题任务上性能优于现有方法。
2025-06-16 cs.AI cs.LG
Certified Domain Consistency for Multi-Domain Retrieval: Label-Free Per-Domain Contamination Control with Conformal Risk Guarantees
Electric Power Research Institute (EPRI)(电力研究协会)
针对多域检索中错误域证据及污染控制问题,提出C3R控制层。基于风险控制预测集构建双分割方案,认证污染预算。通过实验验证其稳定性及有效性,能减少错误权威基础,且与冻结堆栈和重排器无关。
2026-07-17 cs.AI cs.IR cs.LG
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
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
RS-Del: Edit Distance Robustness Certificates for Sequence Classifiers via Randomized Deletion
University of Melbourne(墨尔本大学);Carnegie Mellon University(卡内基梅隆大学)
本文提出随机删除平滑机制 RS-Del,基于最长公共子序列证明离散序列分类器对编辑距离受限攻击的鲁棒性,并在 MalConv 恶意软件检测上实现半径128字节时91%的认证准确率。
2024-01-24 cs.CR cs.LG stat.ML
Differentially Private Conformal Prediction via Quantile Binary Search
本文提出 P-COQS 方法,将随机二分搜索用于共形预测校准阶段的差分隐私分位数计算,在多个基准数据集上验证其能在保证隐私和覆盖的同时生成更小、更高效的预测集。
2025-07-15 cs.LG stat.AP stat.CO
Conformal Prediction for Causal Effects of Continuous Treatments
LMU Munich(慕尼黑莱茵河大学);Munich Center for Machine Learning(慕尼黑机器学习中心)
本文提出了一种新的符合预测方法,用于连续处理的潜在结果,解决了倾向分数未知时的不确定性问题。
2026-02-03 cs.AI cs.LG stat.ME
Training conformal predictors
Royal Holloway University of London(伦敦大学皇家霍洛威学院)
用于共形预测的效率标准,例如\emph{observed fuzziness}(即,与假标签相关的p值之和)通常用于\emph{evaluate}给定适形预测因子的性能。在这里,我们调查是否有可能利用效率标准\emph{learn}分类器,共形预测和点分类器,通过使用这样的标准作为训练目标函数。所提出的想法实现的问题的二进制分类的手写数字。通过选择1维模型类(具有一个实值自由参数),我们可以通过在参数空间(的离散版本)上进行(近似)穷举搜索来解决优化问题。我们的实证结果表明,通过最小化其观察到的fuzzy训练的共形预测器比通过最小化对应点分类器的\emph{prediction error}以传统方式训练的共形预测器表现得更好。它们在测试集上的预测误差方面也有合理的表现。
2020-05-14 cs.LG stat.ML
Prediction Sets for Counterfactual Decisions: Coverage, Optimality, and Conformal Prediction
School of Mathematical Sciences, Peking University(北京大学数学科学学院);Department of Statistics and Data Science, University of Pennsylvania(宾夕法尼亚大学统计与数据科学系)
提出决策理论框架,通过策略耦合覆盖性将不确定性量化与反事实决策最优结合,并开发两阶段共形预测方法PC-RACP,在保证覆盖的同时提升效用。
2026-07-03 cs.LG math.ST stat.ML
Improving the Sensitivity of Gravitational Wave Detection with Weighted Conformal Prediction
Royal Holloway, University of London(伦敦大学皇家霍洛威学院);University of Southampton(南安普顿大学)
针对引力波探测中多流水线输出结合及分布偏移问题,提出加权保形预测框架,通过似然比重新加权恢复校准覆盖并提高阈值附近事件置信度,恢复被遗漏的真实信号。
2026-09-11 cs.LG gr-qc stat.ML
A novel Deep Learning approach for one-step Conformal Prediction approximation
University of Brighton(布莱顿大学);Distributed Analytics Solutions(分布式分析解决方案公司);Royal Holloway University of London(伦敦大学皇家霍洛威学院)
本文提出一种新型共形损失函数,使深度学习模型在单步内直接学习输入与共形p值的关系,在多个基准任务上相比ACP实现高达86%的训练时间缩减,同时保持近似有效性和预测效率。
2023-08-07 cs.LG
Collective Certified Robustness against Graph Injection Attacks
The Hong Kong Polytechnic University(香港理工大学)
针对图注入攻击下 GNN 逐节点认证性能有限的问题,提出基于 BQCLP 与 LP 松弛的集体认证方法,可同时认证目标节点集并显著提升认证比例。
2024-03-03 cs.CR cs.LG
DistMatch: Adaptive Binning via Distribution Matching for Robust Sequential Conformal Prediction
University of California, Berkeley(加州大学伯克利分校);University of Tokyo(东京大学)
提出DistMatch方法,利用Kolmogorov-Smirnov统计量递归划分残差以实现近似可交换性,结合在线分位数回归进行局部自适应推理,提升序列共形预测对分布偏移的鲁棒性。
2026-05-30 cs.LG
Generalized Venn and Venn-Abers Calibration with Applications in Conformal Prediction
University of Washington(华盛顿大学)
本文提出统一的Venn和Venn-Abers校准框架,将二元分类扩展至一般损失函数预测问题,生成有限样本下边际校准的集值预测,并提出Venn多校准方法,在保形预测中恢复并扩展了多种特例。
2025-07-15 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
Null-Calibrated Conformal Selection via Target-Membership Scores
CROID Research and aSSIST University(CROID研究院和aSSIST大学)
提出基于目标隶属度分数的共形选择方法,通过零校准(NCCS)生成有限样本有效的零p值,在方差驱动和多模态目标上优于传统预测导向分数。
2026-06-23 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
Conformal Prediction for Long-Tailed Classification
University of California, Berkeley(加州大学伯克利分校);University of Montpellier(蒙彼利埃大学);Inria(法国国家信息与自动化技术研究院);CNRS(法国国家科学研究中心)
本文提出了一种改进的符合预测方法,通过 prevalence-adjusted softmax 和线性插值技术,在长尾分类中平衡预测集大小和类别覆盖。
2026-02-26 cs.CV cs.LG stat.ME