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
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
T-SCI: A Two-Stage Conformal Inference Algorithm with Guaranteed Coverage for Cox-MLP
IIIS, Tsinghua University（清华大学交叉信息研究院）
删失数据的处理具有挑战性，因为我们只能获得生存时间的不完全信息，而不能获得其确切值。幸运的是，在线性预测假设下，人们可以使用Cox回归等方法获得生存时间置信区间的保证覆盖率。然而，当用神经网络放松线性假设时（例如，Cox-MLP（Katzman等人，2018; Kvamme等人，2019年，我们失去了保障。为了在没有线性假设的情况下恢复保证覆盖，我们提出了两种基于保形推理的算法。在第一个算法WCCI中，我们重新加权共形推理，并引入了一个新的不符合分数的基础上偏似然。然后，我们提出了一个两阶段的算法T-SCI，我们在第一阶段运行WCCI，并在第二阶段应用分位数共形推理来校准结果。理论分析表明，T-SCI返回保证覆盖率比WCCI温和的假设。我们使用不同的方法对合成数据和真实数据进行了大量的实验，验证了我们的分析。
2021-04-14 cs.AI cs.DS cs.LG
Beyond Conformal Predictors: Adaptive Conformal Inference with Confidence Predictors
Department of Mathematics, Stockholm University（数学系，斯德哥尔摩大学）；Department of Computing, Jönköping School of Engineering（计算系，约克灵根工程学院）
本研究证明自适应保形推断的覆盖保证适用于更广泛的非保形置信预测器，在非可交换数据下提供计算优势并提升预测效率。
2025-06-26 cs.LG stat.ML
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
Adaptive Conformal Inference Under Distribution Shift
Stanford University（斯坦福大学）
我们开发的方法，形成预测集的在线设置中的数据生成分布允许随时间变化，在一个未知的方式。我们的框架建立在共形推理的思想基础上，提供了一个通用的包装器，可以与任何黑盒方法相结合，产生看不见的标签或其分布的估计分位数的点预测。虽然以前的共形推理方法依赖于数据点是可交换的假设，但我们的自适应方法可证明在长时间间隔内实现了所需的覆盖频率，而与真实的数据生成过程无关。我们通过将分布偏移建模为单个参数的学习问题来实现这一点，该参数的最佳值随时间变化，并且必须不断重新估计。我们在两个真实世界的数据集上测试了我们的方法，自适应共形推理，发现它的预测对可见的和显著的分布变化是鲁棒的。
2021-10-28 cs.LG stat.ME stat.ML
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
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
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
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
Predictive Inference With Fast Feature Conformal Prediction
针对特征保形预测 FCP 转换置信区间计算昂贵的问题，本文提出 FFCP，用 Taylor 展开近似非线性操作并设计新非一致性分数，在保持相当性能的同时将计算时间降低约 50 倍。
2024-12-01 cs.AI 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
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
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 Prediction for Image Regression Models with Application to an Inertial Confinement Fusion Emulator
Texas A&M University（德州农工大学）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
针对图像回归模型的不确定性量化问题，提出基于最近邻的自适应共形预测框架ACPNN，利用高斯过程学习距离度量，在ICF仿真扩散模型上实现可靠的自适应不确定性估计。
2026-10-02 cs.LG stat.ML
Conformal Inference of Individual Treatment Effects Using Conditional Density Estimates
Binghamton University（宾汉姆顿大学）
本文提出一种利用条件密度估计的ITE保形推断方法，通过两阶段框架和参考分布技术，构建了比现有方法更窄且边际有效的预测区间。
2025-01-24 cs.LG stat.ML
Improved conformalized quantile regression
University of Aveiro（阿威罗大学）
针对保形分位数回归单一保形步骤缺乏自适应性的问题，提出基于排列重要性加权解释变量的优化k-means聚类并执行k个保形步骤，在开放数据集上验证其更适应异方差且优于经典方法。
2022-11-06 cs.LG stat.ML
Spectral Similarity Weights for Adaptive Conformal Prediction: A Bias-Variance Account and a Benchmark
University of Texas Rio Grande Valley（德克萨斯理工大学里奥格兰德谷分校）；Florida International University（佛罗里达国际大学）
针对非可交换时间序列数据，提出谱自适应共形预测方法，通过局部谱相似性加权共形分位数并在线调整目标误覆盖率，在循环模式和频率变化场景下提升区间覆盖的长期校准性。
2026-11-10 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
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 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
Conformalized Signal Temporal Logic Inference under Covariate Shift
University of California, Riverside（加州大学河滨分校）；Boston University（波士顿大学）；MIT Lincoln Laboratory（麻省理工学院林肯实验室）
本文提出一种符合性STL推理框架，解决训练与部署数据集间的协变量偏移问题，通过模板无关的可微STL推理方法和有限部署数据集优化，提升部署时的符号学习可靠性。
2026-03-28 cs.LG stat.ML
Adaptive Conformal Prediction for Improving Factuality of Generations by Large Language Models
Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学）
本文提出自适应置信区间预测方法，用于提升大语言模型生成内容的事实性，通过改进置信度校准以提高条件覆盖性能。
2026-04-15 cs.AI cs.CL cs.LG
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
Co-optimization for Adaptive Conformal Prediction
Department of Systems Engineering, City University of Hong Kong, Hong Kong SAR, China（系统工程系，香港城市大学，香港特别行政区，中国）；Alpha Benito Research, Los Angeles, USA（Alpha Benito研究机构，洛杉矶，美国）
CoCP通过联合优化中心和半径，改进了置信区间的效率和准确性，实现了更短的区间和更精确的覆盖诊断。
2026-11-02 cs.LG stat.ML
Adaptive Coverage Policies in Conformal Prediction
Inria, Ecole Normale Supérieure, PSL Research University（法国国家信息与自动化研究所，巴黎高等师范学院，PSL研究大学）；University of California, Berkeley（加州大学伯克利分校）
本文提出基于e值和事后符合推断的适应性覆盖策略，通过神经网络训练优化覆盖水平，提高预测集的灵活性和效率。
2026-04-02 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
Sequential Predictive Conformal Inference for Time Series
Georgia Institute of Technology（佐治亚理工学院）
本文提出序贯预测共形推断（SPCI）算法，通过利用时间序列残差的时间依赖性自适应估计条件分位数，解决不可交换序列的共形预测问题，并在保证覆盖率的同时显著缩小预测区间宽度。
2023-05-30 cs.LG stat.ME 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
Constructing Prediction Intervals with Neural Networks: An Empirical Evaluation of Bootstrapping and Conformal Inference Methods
United States Air Force Academy（美国空军学院）；Air Force Institute of Technology（空军理工学院）；th Human Performance Wing（第711人体效能联队）
人工神经网络（ANN）是用于完成许多机器学习任务（包括预测连续结果）的流行工具。然而，普遍缺乏信心的措施，提供人工神经网络预测限制其适用性。用预测区间（PI）补充点预测对于其他学习算法来说很常见，但是ANN的复杂结构和训练使得构建PI变得困难。这项工作提供了网络设计的选择和推理方法，创造更好的性能PI与人工神经网络。在11个数据集上执行两步实验，包括基于图像的数据集。两个分布免费的方法构造PI，引导和共形推理，被认为是。第一个实验步骤的结果表明，固有的选择建立一个人工神经网络影响PI的性能。针对每个网络特征和PI方法，提供了优化PI性能的指导。在第二步中，20算法构建PI，每个使用的原则，自举或保形推理，实施，以确定提供最佳性能，同时保持合理的计算负担。在一般情况下，这种权衡是优化时，实施交叉共形方法，保持区间覆盖率和效率，减少计算负担。
2022-10-07 cs.LG stat.ML
Conformal Prediction Beyond the Horizon: Distribution-Free Inference for Policy Evaluation
KLATASDS - MOE School of Statistics East China Normal University（KLATASDS - 教育部统计学系华东师范大学）
可靠的不确定性量化对于高风险环境中的强化学习（RL）至关重要。我们提出了一个统一的共形预测框架的无限地平线的政策评估，构建分布免费的预测区间{回报}在政策和政策设置。我们的方法集成了分布式RL与共形校准，解决了未观察到的回报，时间依赖性和分布变化等挑战。我们提出了一个模块化的伪返回构造截断推出和时间感知的校准策略，使用经验重放和加权子采样的基础上。这些创新减轻了模型偏差，恢复了近似的互换性，即使在政策变化的情况下也能量化不确定性。我们的理论分析提供了覆盖保证，占模型误指定和重要性权重估计。实证结果，包括在合成和基准环境中的实验，如山地车，表明我们的方法显着提高了覆盖率和可靠性超过标准的分布式RL基线。
2025-10-29 cs.LG stat.ML
Adaptive Conformal Prediction by Reweighting Nonconformity Score
LaMME（LaMME实验室）；University Paris Saclay（巴黎萨克雷大学）；Stellantis（斯泰兰蒂斯）；ENSIIE（法国国立高等工业工程学院）；Quantmetry（Quantmetry公司）
本文提出利用分位数回归森林学习非一致性分数分布并重加权样本，通过分组共形化实现更高效且自适应的预测区间，在无假设条件下保证有限样本边际和训练条件覆盖，并显著优于现有方法。
2023-05-31 cs.LG 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
Adaptive Bounding Box Uncertainties via Two-Step Conformal Prediction
University of Amsterdam（阿姆斯特丹大学）；Robert Bosch GmbH（罗伯特·博世有限公司）；Bosch Center for AI（博世人工智能中心）
针对多目标检测中边界框不确定性量化问题，提出两步保形预测方法，将类别标签预测的不确定性传播至边界框区间，并结合集成与分位数回归实现适应物体大小的均衡覆盖率，在真实数据集上验证了其满足期望覆盖率且区间紧凑。
2024-07-30 cs.CV cs.LG stat.ML
Online conformal inference with retrospective adjustment for faster adaptation to distribution shift
Inha University（仁荷大学）
针对在线环境数据分布变化问题，提出具有回顾性调整的在线共形推理方法，利用回归方法和高效公式追溯调整预测，经实验表明该方法能在接近标称覆盖率时减少预测区间宽度约30%，提升统计效率与适应性。
2026-07-14 cs.LG stat.ML
Localized Conformal Prediction: A Generalized Inference Framework for Conformal Prediction
我们提出了一个新的推理框架，称为本地化的共形预测。它概括了共形预测的框架，提供了一个单一的测试样本的自适应建设，强调这个测试样本周围的局部区域，并可以与不同的共形得分结构相结合。所提出的框架享有一个无约束的有限样本边际覆盖保证，它也提供了额外的本地覆盖保证在适当的假设。我们演示了如何改变从共形预测到局部共形预测使用几个共形分数，我们说明了通过数值例子的潜在收益。
2022-02-28 math.ST stat.ME stat.TH
Post-selection Inference for Conformal Prediction: Trading off Coverage for Precision
本文提出同时共形推断方法，解决数据相关误覆盖率下的选择后推断问题，允许在保持有限样本保证的同时灵活权衡覆盖概率与预测集质量。
2023-06-30 stat.ME stat.ML
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
Bellman Conformal Inference: Calibrating Prediction Intervals For Time Series
Stanford University（斯坦福大学）
BCI 框架通过动态规划求解随机控制问题，优化多步预测区间长度，实现长期覆盖并生成更短区间。
2026-10-15 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
Optimized Conformal Selection: Powerful Selective Inference After Data-Dependent Score Construction
McGill University（麦吉尔大学）；Harvard University（哈佛大学）
针对保形推断中模型选择破坏数据可交换性的问题，提出OptCS框架，允许数据驱动优化模型后进行有效选择性推断，通过三种程序控制FDR，在模拟和实际应用中验证了有效性。
2026-10-22 cs.AI cs.LG stat.ME
Enhancing reliability in prediction intervals using point forecasters: Heteroscedastic Quantile Regression and Width-Adaptive Conformal Inference
Universidad Politécnica de Madrid（马德里理工大学）；Escuela Técnica Superior de Ingenieros Industriales（高等工业工程学院）；Laboratorio de Estadística（统计实验室）
针对时间序列预测区间构建难题，提出结合异方差分位数回归与宽度自适应共形推断的方法，兼顾理论覆盖率与宽度自适应，经合成及真实电价数据验证，在有效性、效率及实用性上表现优异。
2025-01-17 cs.LG stat.ME stat.ML
Exact and Approximate Conformal Inference for Multi-Output Regression
Air Force Institute of Technology（空军理工学院）；Georgia Institute of Technology（佐治亚理工学院）；Apple（苹果公司）
针对多输出回归中共形推断计算成本高的问题，推导了线性预测模型下共形推断p值的精确形式，并提出unionCP与多元rootCP两种高效近似方法，经理论和实验验证有效。
2024-06-22 cs.LG math.ST stat.CO
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
Efficient Conformal Prediction via Cascaded Inference with Expanded Admission
Massachusetts Institute of Technology（麻省理工学院）
在本文中，我们提出了一种新的方法，共形预测（CP），其中我们的目标是确定一组有前途的预测候选人-在一个单一的预测。该集合保证包含具有高概率的正确答案，并且非常适合于许多开放式分类任务。在标准的CP范例中，预测集通常会大得无法使用，并且获得成本也很高。这在正确答案不是唯一的，并且可能的答案总数很高的情况下尤其普遍。我们首先扩展CP正确性标准，以允许额外的，推断的“可接受”的答案，这可以大大减少预测集的大小，同时仍然提供有效的性能保证。其次，我们通过整合预测级联来摊销成本，在这种情况下，我们通过使用逐渐增强的分类器来积极地在早期修剪不可信的标签，同时仍然提供有效的性能保证。我们证明了我们的方法在自然语言处理和计算化学药物发现的多个应用程序的经验有效性。
2021-02-02 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
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
Conformal inference is (almost) free for neural networks trained with early stopping
University of Southern California（南加州大学）
本文提出共形化早停方法，通过高效复用留出数据将早停与共形校准结合，使神经网络在保持准确性的同时获得精确的预测推断保证，无需多次数据分割或过度保守调整，并在异常检测、分类和回归任务上验证了其竞争力。
2023-06-26 cs.LG math.ST stat.ML
Transductive conformal inference with adaptive scores
Université Paris Cité（巴黎西岱大学）；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Université Paris Saclay（巴黎-萨克雷大学）
本文研究传导性共形推断，证明联合分布遵循Pólya urn模型并建立集中不等式，适用于自适应分数，为迁移学习区间预测和新颖性检测提供统一概率保证。
2024-03-19 cs.LG stat.ME
Conformal inference for regression on Riemannian Manifolds
本文将共形推断扩展到响应变量位于黎曼流形、协变量位于欧几里得空间的回归场景，提出分布无关的非参数预测集，并证明其经验版本几乎必然渐近收敛到总体版本，通过模拟和真实数据验证了方法有效性。
2025-07-16 cs.LG stat.ML
Spatial Conformal Inference through Localized Quantile Regression
本文提出LSCP方法，利用局部分位数回归构建空间预测区间，并在平稳性与空间混合条件下证明有限样本和渐近覆盖保证，实验显示其覆盖准确且区间更窄更稳定。
2025-02-16 cs.LG stat.ML
A Systematic Review of Conformal Inference Procedures for Treatment Effect Estimation: Methods and Challenges
Engineering Mathematics and Computing Lab Heidelberg University（海德堡大学工程数学与计算实验室）；Heidelberg University（海德堡大学）；Heidelberg Institute for Theoretical Studies, Data Mining and Uncertainty Quantification Group（海德堡理论研究所数据挖掘与不确定性量化组）；Medical Faculty Mannheim of Heidelberg University, Data Analysis and Modeling in Medicine（海德堡大学曼海姆医学系医学数据分析与建模）
本文系统综述了共形预测在治疗效应估计中的应用，分析了十一篇关键论文，总结了现有最先进方法并提出了未来研究方向。
2025-09-25 cs.LG stat.ML
