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
Skew-adaptive conformal prediction
Insper Institute of Education and Research（Insper教育与研究学院）
本文提出一种偏斜自适应置信预测方法，通过非对称区间族和 gauge 方法构建置信分数，利用逆双曲正弦变换训练额外预测模型以适应特征空间中的不确定性倾斜，保持了样本有限的边缘有效性，同时实现了对局部尺度和偏斜的适应。
2026-05-15 cs.LG stat.ML
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
Adaptive Conformal Prediction via Bayesian Uncertainty Weighting for Hierarchical Healthcare Data
Rochester Institute of Technology（罗切斯特理工学院）
本文提出一种结合贝叶斯不确定性加权与置信校准的混合框架，用于提升医疗数据中的不确定性量化精度与覆盖保证。
2026-01-03 cs.LG 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
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
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
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
Structure-Adaptive Conformal Inference for Large-Scale Out-of-Distribution Testing
Center for Data Science and School of Mathematical Sciences, Zhejiang University（数据科学中心和数学科学学院，浙江大学）
提出结构自适应共形q值(SCQ)和伪分数引导的直推式自动模型选择(P-TAMS)，在成对可交换性下实现结构化分布外检测的有限样本错误率控制、功效提升和可解释性增强。
2026-05-26 cs.AI cs.LG stat.ME
Softmax is not Enough (for Adaptive Conformal Classification)
School of Computing and Information Systems, Faculty of Engineering and IT（计算与信息系统学院，工程与信息学院）
本文提出基于赫尔姆霍茨自由能的改进方法，提升深度置信分类器预测集的适应性和效率。
2026-02-23 cs.AI cs.LG
Geometry-Aware Uncertainty Quantification via Conformal Prediction on Manifolds
Rochester Institute of Technology（罗切斯特理工大学）
提出自适应测地线保形预测框架，通过测地距离和交叉验证局部难度归一化，在球面和IGRF-14地磁场预测中实现有效覆盖并改善条件覆盖。
2026-06-06 cs.LG
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
Improved Online Conformal Prediction via Strongly Adaptive Online Learning
Salesforce AI Research（Salesforce人工智能研究院）
我们研究的问题，通过预测集的不确定性量化，在一个在线设置的数据分布可能会随时间的推移而任意变化。最近的工作开发了在线共形预测技术，利用在线学习文献中的遗憾最小化算法来学习具有近似有效覆盖和小遗憾的预测集。然而，标准的遗憾最小化可能不足以应对不断变化的环境，其中不仅在整个时间范围内而且在所有（子）时间间隔内都需要性能保证。我们开发了新的在线共形预测方法，最大限度地减少了强自适应遗憾，这措施的最坏情况下的遗憾，在所有的间隔一个固定的长度。我们证明了我们的方法实现了近最优的强自适应遗憾的所有区间长度同时，和近似有效的覆盖。实验表明，我们的方法始终获得更好的覆盖率和更小的预测集比现有的方法在现实世界的任务，如时间序列预测和图像分类下分布偏移。
2023-02-15 cs.AI cs.LG math.ST
Adaptive Cumulative Mass Calibration with Conformal Prediction
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；École pour l’informatique et les techniques avancées（先进信息技术学院）
提出一种基于共形预测的校准方法，通过自适应温度缩放实现累积概率的边际覆盖保证，在图像分类任务中改进了多种校准误差指标。
2026-06-25 cs.LG stat.ML
LLMs Uncertainty Quantification via Adaptive Conformal Semantic Entropy
Toronto Metropolitan University（多伦多 Metropolitan 大学）；Vector Institute（向量研究所）
提出自适应共形语义熵（ACSE）方法，通过聚类语义熵并自适应调整不确定性分数，结合共形校准实现统计可靠的接受/弃权决策，在多个数据集上优于现有基线。
2026-05-23 cs.AI cs.LG
AdaptNC: Adaptive Nonconformity Scores for Conformal Prediction under Distribution Shift
Department of Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系）
本文提出AdaptNC框架，通过联合在线调整非符合分数参数和符合阈值，解决分布偏移下的预测区域保守问题，实验表明其在保持覆盖率的同时显著减少预测区域体积。
2026-05-13 cs.LG cs.RO cs.SY
Adaptive Multi-Scale Forecasting and Gate-Localized Conformal Prediction for Multivariate Nonstationary Time Series
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
针对多元非平稳时间序列预测与不确定性量化问题，提出ABF-T-GLCP框架，通过学习自适应预测状态表示，结合预测与共形校准模块，实验表明该框架能提升预测准确性、缩小区间，且应用范围广。
2026-07-28 cs.LG stat.AP stat.ME
CASCADE Conformal Prediction: Uncertainty-Adaptive Prediction Intervals for Two-Stage Clinical Decision Support
University of Florida（佛罗里达大学）；MD Anderson Cancer Center（MD安德森癌症中心）；University of Louisville（路易斯维尔大学）
提出 CASCADE 共形预测框架，通过传播分类器认知不确定性动态调整回归预测区间，在帕金森病用药管理中实现高效且鲁棒的区间估计。
2026-10-02 cs.LG stat.ME stat.ML
TRACE-CRC: Trajectory-Adaptive Conformal Risk Control for Multi-Step Channel State Information Prediction
Chalmers University of Technology（查尔姆斯理工大学）
针对多步CSI预测中现有方法缺乏校准不确定性估计的问题，提出TRACE-CRC方法，通过轨迹自适应策略实现可靠轨迹级覆盖，且不确定性球更小，避免了覆盖不足问题。
2026-08-28 cs.LG stat.ML
Adaptive Conformal Redistribution for Inter-class Transitional Uncertainty in Medical Image Classification
Indian Statistical Institute（印度统计学院）；Jadavpur University（贾达普大学）；University College London（伦敦大学学院）
针对医学图像分类中过渡类别导致的模糊决策，提出自适应共形再分配（AdaConRed），通过五阶段流程将共形预测集转化为精细类别分配，在OSCC和ISIC基准上显著提升恶性类别准确率。
2026-09-15 cs.AI cs.CV cs.LG
ACon$^2$: Adaptive Conformal Consensus for Provable Blockchain Oracles
Georgia Institute of Technology（佐治亚理工学院）；University of Pennsylvania（宾夕法尼亚大学）
具有智能合约的区块链是分布式账本系统，通过仅允许智能合约的确定性操作来实现分布式节点之间的块状态一致性。然而，智能合约的力量是通过与随机的链下数据交互来实现的，这反过来又有可能破坏块状态的一致性。为了解决这个问题，使用Oracle智能合约来提供外部数据的单一一致源;但同时，这引入了一个单点故障，称为Oracle问题。为了解决预言机问题，我们提出了一个自适应共形共识（ACon $^2$）算法，通过在线不确定性量化学习的最新进展，从多个预言机合同中获得共识数据集。有趣的是，共识集在分布偏移和拜占庭对手下提供了所需的正确性保证。我们在两个价格数据集和以太坊案例研究上证明了该算法的有效性。特别是，所提出的算法的Solidity实现显示了所提出的算法的潜在实用性，这意味着在线机器学习算法适用于解决区块链中的安全问题。
2023-03-07 cs.AI cs.CR cs.LG
Fair Conformal Classification via Learning Representation-Based Groups
State Key Lab of Novel Software Technology, Nanjing University, China（南京大学新型软件技术国家重点实验室）；Birkbeck, University of London（伦敦大学伯克贝克学院）
本文提出一种公平符合推理框架，通过学习基于表示的群体构建预测集，确保在自适应识别的子群体上实现条件覆盖，提升分类任务的公平性与可信度。
2026-05-12 cs.LG
Conformal Prediction Adaptive to Unknown Subpopulation Shifts
University of Southern California（南加州大学）
本文针对测试环境子群体混合比例未知且标签需推断的分布偏移问题，提出可证明适应未知子群体偏移的共形预测方法，无需显式群体结构即可保证覆盖率，并在视觉和语言基准上验证了其有效性。
2025-11-06 cs.AI cs.LG stat.ML
Mask-Conditional Conformal Prediction: Valid Uncertainty For All Missing Data Mechanisms
LaMME, University of Paris-Saclay, Evry（LaMME，巴黎-萨克雷大学，埃夫里）；ENSIIE, Evry（ENSIIE，埃夫里）；Capgemini Invent, Paris, France（Capgemini Invent，巴黎，法国）
本文提出加权置信预测方法，通过预填补掩码并校正预测集，提供对一般缺失数据机制的边缘覆盖性和掩码条件有效性。
2026-11-03 cs.LG stat.ML
Learning Conformal Abstention Policies for Adaptive Risk Management in Large Language and Vision-Language Models
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Intel Labs（英特尔实验室）
针对LLMs/VLMs在安全关键场景中静态保形预测阈值适应性差的问题，提出集成强化学习的可学习保形弃权策略，动态优化阈值，在保持90%覆盖率的同时显著提升准确性、幻觉检测AUROC等性能，优于现有方法。
2025-02-08 cs.AI cs.LG
Safe Control using Learned Safety Filters and Adaptive Conformal Inference
Computer Science & Engineering（计算机科学与工程系）
本文提出ACoFi方法，结合学习的Hamilton-Jacobi可达性安全过滤器与自适应符合推断，动态调整切换准则以保证安全评估的不确定性被有效控制，通过仿真验证其在高维空间中优于传统方法。
2026-04-20 cs.LG cs.RO cs.SY
Adaptive Individual Uncertainty under Out-Of-Distribution Shift with Expert-Routed Conformal Prediction
Ph.D. Programs in Computer Science（计算机科学博士项目）；The Graduate Center, City University of New York（纽约城市大学研究生中心）；School of Pharmacy and Pharmaceutical Sciences（药学与制药科学学院）；Center for Drug Discovery（药物发现中心）；Northeastern University（东北大学）
针对分布偏移下不确定性量化不可靠的问题，提出TESSERA方法，结合专家混合与共形校准，在蛋白质-配体亲和力预测中实现可靠、自适应且紧凑的个体化区间。
2025-10-17 cs.AI cs.LG
Augmented Physics-Based Li-ion Battery Model via Adaptive Ensemble Sparse Learning and Conformal Prediction
Department of Mechanical and Aerospace Engineering, Center for Automotive Research, The Ohio State University（机械与航空航天工程系、汽车研究中心、俄亥俄州立大学）
本文提出自适应集成稀疏辨识（AESI）框架，将扩展单粒子模型与进化集成稀疏学习和共形预测相结合，以补偿降阶锂离子电池模型中的不可预测动态，在未见数据上实现最高46%的均方误差降低，并提供统计有效的电压预测不确定性量化。
2025-07-01 cs.LG cs.SY eess.SY
Dynamic Regime-Aware Conformal Calibration for Reliable Economic Forecast Intervals under Multiple Distribution Shifts
University of Bucharest（布加勒斯特大学）；National Institute of Research and Development for Biological Sciences（国家生物科学研究与发展研究所）
该研究针对经济预测的分布偏移问题，提出动态机制感知共形预测（DRACP），经验证其校准可靠性最优，在通胀激增等场景表现突出，为预测区间的校准与效率提供了权衡方案。
2026-10-20 cs.LG
Beyond Confidence: Adaptive Abstention in Dual-Threshold Conformal Prediction for Autonomous System Perception
AEON Lab, University of Illinois at Chicago (UIC), Chicago, IL--USA（AEON实验室，伊利诺伊大学芝加哥分校（UIC），芝加哥，IL--USA）
本文提出双阈值共形预测框架，结合共形阈值与ROC优化弃权（不执行）阈值，在保证统计覆盖的同时实现自适应选择性预测，并在多模态感知任务中验证了其鲁棒性与检测性能。
2025-02-13 cs.LG cs.RO
Sepsyn-OLCP: An Online Learning-based Framework for Early Sepsis Prediction with Uncertainty Quantification using Conformal Prediction
Georgia Institute of Technology（佐治亚理工学院）；Duke University（杜克大学）
针对高风险医疗中脓毒症早期预测缺乏不确定性量化与自适应系统的问题，提出融合共形预测与贝叶斯老虎机的在线学习框架Sepsyn-OLCP，无需重训即可提升预测精度，且策略长期收敛至最优。
2025-03-18 cs.LG
Adaptive Uncertainty Quantification for Generative AI
Department of Statistics, University of Chicago（芝加哥大学统计系）；Booth School of Business, University of Chicago（芝加哥大学商学院）
本研究提出一种针对黑盒生成式AI模型的自适应共形预测方法，通过自适应划分预测器空间并逐组校准，实现有限样本组条件覆盖保证与局部收紧的不确定性区间，并在GPT-4o预测的皮肤病诊断和立法者意识形态分类应用中验证了有效性。
2025-04-24 cs.AI cs.CL cs.LG
JANET: Joint Adaptive predictioN-region Estimation for Time-series
Hasso Plattner Institute（哈索·普拉特纳研究所）；University of California, Irvine（加州大学尔湾分校）；Royal Holloway, University of London（伦敦大学皇家霍洛威学院）；Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）
针对时间序列多步预测中保形预测受限于可交换性假设的问题，提出JANET框架，通过推广归纳保形框架生成具有受控K族错误率的联合预测区域，在多步预测任务中实现了更可靠且可解释的不确定性量化。
2025-05-29 cs.LG stat.ME stat.ML
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
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
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
Conformalised imprecise inference for robust extrapolation under limited data
Institute for Risk and Uncertainty（风险与不确定性研究所）；University of Liverpool（利物浦大学）
提出一种模型无关的共形化不精确推断框架，通过引入不精确性和距离感知，在分布偏移下保持覆盖并自适应扩展不确定性，实现有限数据下的鲁棒外推。
2026-05-25 cs.LG
Robust Uncertainty Quantification Using Conformalised Monte Carlo Prediction
University of York（约克大学）
本文提出混合不确定性量化方法MC-CP，通过自适应MC dropout节省资源并结合共形预测生成稳健预测集合/区间，在分类与回归基准上优于多种先进方法且易于部署。
2024-01-22 cs.AI cs.LG stat.ML
CAOS: Conformal Aggregation of One-Shot Predictors
Department of Statistics, University of Wisconsin-Madison, USA（统计学系，威斯康星大学麦迪逊分校）
CAOS通过自适应聚合多个一次性预测器，利用留一校准方案实现有效覆盖，比传统方法在预测集大小上更小且保持可靠覆盖。
2026-01-30 cs.AI 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
JAPAN: Joint Adaptive Prediction Areas with Normalising-Flows
Hasso Plattner Institute for Digital Engineering（霍普斯·普兰特研究所数字工程院）；University of Tokyo（东京大学）；Hasso Plattner Institute for Digital Health at the Icahn School of Medicine at Mount Sinai（霍普斯·普兰特研究所数字健康院）
本文提出JAPAN框架，利用基于归一化流的密度得分构建保形预测区域，解决了传统残差方法在多峰分布下过度保守的问题，实现了更紧凑且自适应的预测区域并保持有限样本覆盖保证。
2025-05-29 cs.LG stat.ML
CAP: A General Algorithm for Online Selective Conformal Prediction with FCR Control
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）
CAP算法通过在线选择性置信预测实现FCR控制，提供了一种通用框架以确保精确覆盖保证并提升预测区间精度。
2025-12-01 cs.LG stat.ME stat.ML
CADS: Conformal Adaptive Decision System for Cost-Efficient Image Classification
ICTEAM, UCLouvain, Belgium（ICTEAM，比利时鲁汶大学）；SAFiR Lab, Univ. of Sherbrooke, Canada（SAFiR实验室，加拿大Sherbrooke大学）；Univ. of Mons, Belgium（蒙斯大学，比利时）
CADS通过动态路由样本优化资源分配，提升图像分类的效率与准确性，降低计算成本达12倍。
2026-06-28 cs.CV cs.LG
Doubly Robust Adaptive Conformal Inference for Causal Effects Under Temporal Dependence
Department of Computer Science University College London（计算机科学系伦敦大学学院）
提出双稳健自适应共形推断（DR-ACI），在时间依赖下为双稳健伪结果构建预测区间，结合共形预测与自适应加权，提供有限样本覆盖保证。
2026-06-29 cs.LG stat.CO stat.ML
Adaptive Conformal Prediction for Reliable and Explainable Medical Image Classification
Faculty of Computer Science, Universitas Brawijaya（博雅大学计算机科学学院）
本文提出自适应Lambda准则改进RAPS，提升医学图像分类的可靠性与可解释性，实验表明其在跨域验证中表现优异。
2026-05-13 cs.CV cs.LG
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
ACHO: Adaptive Conformal Hyperparameter Optimization
本文提出ACHO框架，利用共形置信区间与上置信界采样放宽分布假设，提升超参数搜索灵活性，并在随机森林和卷积神经网络上取得优于随机搜索的调参性能。
2023-11-28 cs.LG
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
Counterfactual Online Conformal Prediction Under Adaptive Logging
Shanghai Jiao Tong University（上海交通大学）；Alibaba Group（阿里巴巴集团）
本文提出倾向加权在线共形预测（PW-OCP）及其双稳健变体（DR-OCP），以解决自适应日志下反事实覆盖失效问题，实验证明其提升反事实覆盖并降低遗憾。
2026-11-03 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
Adaptive Regime-Switching Forecasts with Distribution-Free Uncertainty: Deep Switching State-Space Models Meet Conformal Prediction
University of Lorraine（洛林大学）；CNRS（国家科学研究中心）；Pernod Ricard（佩诺特理查德）；INSA Rouen Normandy（里昂诺曼底理工学院）
本文提出了一种结合深度切换状态空间模型与适应性符合推断的方法，以在非平稳性和模型不规范性下实现具有有限样本保证的预测带，提升预测的鲁棒性和准确性。
2026-02-05 cs.AI cs.LG
Adaptive Conformal Regression with Jackknife+ Rescaled Scores
IBM Research（IBM研究院）
本文提出一种基于Jackknife+重缩放分数的自适应保形回归方法，在不牺牲校准集大小的前提下实现局部覆盖，并在低数据场景下优于现有方法。
2023-05-31 cs.LG stat.ML
Improving Adaptive Conformal Prediction Using Self-Supervised Learning
University of Cambridge（剑桥大学）；University of California, Los Angeles（加州大学洛杉矶分校）；The Alan Turing Institute（艾伦·图灵研究所）
保形预测是一个强大的不确定性量化的无分布工具，建立有效的预测区间与有限样本的保证。为了产生有效的间隔，也适应每个实例的难度，一种常见的方法是计算一个单独的校准集上的归一化不一致性分数。自监督学习已被有效地用于许多领域，以学习下游预测器的一般表示。然而，除了模型预训练和表示学习之外，自我监督的使用在很大程度上还没有被探索过。在这项工作中，我们研究了自我监督的借口任务如何提高共形回归的质量，特别是通过提高共形区间的适应性。我们训练一个辅助模型，在现有的预测模型的基础上，使用自监督的借口任务，并使用自监督的错误作为一个额外的功能来估计不合格分数。我们经验证明的好处，额外的信息使用合成和真实的数据上的效率（宽度），赤字，和过剩的共形预测区间。
2023-02-23 cs.LG stat.ML
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
