Split Conformal Prediction with Label-Shift-Adjusted Bayesian Scores
MOGAM Institute for Biomedical Research（MOGAM生物医学研究所）；CROID Research（CROID研究）；aSSIST University（aSSIST大学）
针对标签偏移下共形预测失效问题，提出标签偏移调整的贝叶斯分数（LSA分数），通过后验预测倾斜恒等式修正贝叶斯分数，在分子性质预测中生成更短区间且覆盖相当。
2026-09-14 cs.LG
How Nonconformity Functions and Difficulty of Datasets Impact the Efficiency of Conformal Classifiers
University of Luxembourg（卢森堡大学）
保形预测的属性，以保证所需的准确率，使这个框架在各种实际应用中的吸引力。然而，这种特性是以精度降低为代价的。在保形分类的情况下，系统可以输出多个类别标签而不是一个。从文献中还可以看出，非一致性函数的选择对共形分类器的效率有重要影响。最近，它表明，不同的模型不可知的非一致性功能的结果在保形分类器具有不同的特点。对于基于神经网络的共形分类器，逆概率（或铰链损失）允许最小化预测标签的平均数量，并且余量导致更大比例的单例预测。在这项工作中，我们的目标是进一步扩展这项研究。我们使用8种不同的分类算法进行了实验评估，并讨论了先前观察到的关系是否成立。此外，我们提出了一个成功的方法来结合这两个非一致性函数的属性。使用11个真实数据集和5个合成数据集进行实验评估。
2021-08-12 cs.AI cs.LG
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
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
Tail-Aware Geometry Learning for Conformal Ellipsoids
Nanyang Technological University（南洋理工大学）
本文提出一种尾部感知的共形椭球几何学习框架，通过两分割设计解耦尾部敏感性与覆盖保证，在CVaR约束下最小化体积，实现高效且鲁棒的多元预测集。
2026-09-24 cs.LG
Conformalized Large Language Models under Configuration Shift
University of Stuttgart（斯图加特大学）；Robert Bosch GmbH（罗伯特·博世有限公司）；University of Oxford（牛津大学）；LMU Munich（慕尼黑大学）；Tsinghua University（清华大学）；University of Southampton（南安普顿大学）；University of Oslo（奥斯陆大学）
该研究针对配置偏移对共形大语言模型有效性的影响展开系统分析，通过多维度实证研究揭示其削弱覆盖率的问题，提出两种实用缓解措施以恢复覆盖率并保留效率。
2026-09-01 cs.LG
Flow-Based Conformal Predictive Distributions
Department of Statistics（统计学系）；University of Connecticut（康涅狄格大学）；Storrs, CT 06269（斯托尔斯，CT 06269）
本文提出基于流的方法，用于高效生成符合预测边界，适用于任意维度，通过混合置信水平得到符合预测分布，并在多个领域进行评估。
2026-05-07 cs.LG stat.ME stat.ML
Distribution-Aware Conformal Prediction: A Framework for generating efficient prediction intervals for time series
Fraunhofer Institute for Highspeed Dynamics, Ernst-Mach-Institut, EMI Freiburg（弗劳恩霍夫高速动力研究所，恩斯特-马赫研究所，EMI弗赖堡）
提出分布感知共形预测（DCP）框架，通过集成概率预测器与分数无关的共形校准，为时间序列生成有效且高效的预测区间。
2026-05-26 cs.LG
Improving Backward Conformal Prediction via Non-Conformity Score Transformation
Department of Statistics and Data Science（统计与数据科学系）；Southern University of Science and Technology（南方科技大学）；College of Mathematics and Statistics（数学与统计学院）；Chongqing University（重庆大学）
本文提出ST-BCP方法，通过引入数据依赖的非一致性分数转换来缩小后向符合预测中的覆盖界差距，实验表明该方法有效减少了覆盖差距。
2026-07-20 cs.LG stat.ML
Generative Conformal Prediction with Optimized Coverage Allocation
University of Southern California（南加州大学）；Carnegie Mellon University（卡内基梅隆大学）
针对传统保形预测在多维场景中不确定性集合过于保守的问题，提出基于向量化非一致性得分的生成式保形预测框架，利用生成模型采样多预测构建自适应集合，在多数据集上优于现有技术。
2026-10-14 cs.LG stat.ME
DANCE: Doubly Adaptive Neighborhood Conformal Estimation
North Carolina State University（北卡罗来纳州立大学）；University of California San Diego（加州大学圣地亚哥分校）；Brookhaven National Laboratory（布鲁赫斯国家实验室）
DANCE通过结合双重局部自适应最近邻方法，提升预训练模型在不确定性量化中的集大小效率和鲁棒性。
2026-02-24 cs.LG stat.ML
Backward Conformal Prediction under Covariate Shift
The Ohio State University（俄亥俄州立大学）；Munich RE（慕尼黑再保险公司）
针对协变量偏移场景，本文通过重要性加权扩展反向共形预测（BCP），提出基于排序得分向量估计密度比的方法，改进了BCP的未覆盖率估计，且基于得分的加权效果优于基于嵌入的加权。
2026-10-14 cs.LG stat.ML
A Kernel Nonconformity Score for Multivariate Conformal Prediction
University of Warwick（沃里克大学）
本文提出多变量核分数，通过保留残差分布的几何结构，提升预测区域的适应性，并证明了有限样本覆盖保证和收敛速率，适用于高维回归任务。
2026-11-03 cs.LG stat.ML
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
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
Multivariate Conformal Selection
MRL, Merck & Co., Inc.（默克公司研究实验室）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）
针对保形选择仅限单变量响应的问题，提出 Multivariate Conformal Selection（mCS）方法，通过区域单调性和多变量非一致性分数构建保形 p 值，在控制 FDR 的同时显著提升了多变量选择功效。
2025-05-01 cs.AI cs.LG stat.ME
Hierarchical Probabilistic Conformal Prediction for Distributed Energy Resources Adoption
Carnegie Mellon University（卡内基梅隆大学）
针对分布式能源采纳预测中的不确定性和分层电网结构，提出基于多元霍克斯过程与分裂保形预测的量化框架，确保聚合后统计有效性，在印第安纳波利斯数据上优于基线。
2026-06-11 cs.LG stat.AP 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
Regression Conformal Prediction with Nearest Neighbours
Frederick University（弗雷德里克大学）；Royal Holloway, University of London（伦敦大学皇家霍洛威学院）
在本文中，我们共形预测（CP）的k-最近邻回归（K-NNR）算法，并提出了扩展的方法，用于回归到目前为止的典型的非一致性措施。与生成点预测的传统回归方法不同，保形预测器输出满足给定置信水平的预测区域。任何共形预测器产生的区域都是自动有效的，但是它们的紧密性和有用性取决于每个CP使用的非一致性度量。实际上，非一致性度量评估给定示例与基于某些传统机器学习算法的一组其他示例相比有多奇怪。我们定义了六个新的不符合措施的基础上的k-最近邻回归算法，并开发相应的CP以下的原始（转导）和归纳CP的方法。我们的措施与典型的回归措施的预测区域的比较表明，一个重大的改进，在预测区域的紧密性方面实现了新的措施。
2014-01-16 cs.LG
Physics-Informed Conformal Prediction: Embedding PDE Consistency into Distribution-Free Uncertainty Quantification for Neural Operators
针对神经算子求解PDE缺乏严格不确定性估计的问题，提出物理信息保形预测框架，将PDE残差嵌入非一致性得分，生成具有无分布覆盖保证且空间自适应的预测区间，并揭示FNO平移等变性的近似障碍，在六个物理场景中验证了89-91%的稳定覆盖率。
2026-09-14 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
Uncertainty Quantification for Named Entity Recognition via Full-Sequence and Subsequence Conformal Prediction
North Carolina State University（北卡罗来纳州立大学）；Pacific Northwest National Laboratory（太平洋西北国家实验室）
本文提出了一种基于置信预测的方法，用于在命名实体识别中生成具有不确定性的预测集，以提高模型预测的可靠性。
2026-01-13 cs.CL cs.LG stat.ML
Conformal Prediction for Image Segmentation Using Morphological Prediction Sets
IRT Saint Exupéry（IRT圣埃克苏佩里）
本文提出一种基于数学形态学膨胀操作的共形预测方法，仅利用预测掩码构造带边距的预测集合，在无需预测器反馈的情况下为任意二值分割模型提供有限样本不确定性保证，并在多个医学成像应用上验证其有效性。
2025-03-07 cs.CV cs.LG
Uncertainty-Aware Transformers: Conformal Prediction for Language Models
本文提出CONFIDE框架，通过置信预测提升语言模型的可解释性和准确性，在BERT-tiny上测试准确率提升4.09%，并在资源受限和高风险任务中表现出鲁棒性和可解释性。
2026-04-10 cs.LG
Conformal Prediction with Paraphrase-Aware Scoring for LLM Uncertainty Quantification
University of Pennsylvania（宾夕法尼亚大学）
针对大语言模型在语义等价改写下不确定性量化不稳定的问题，提出释义感知评分框架，通过代理模型聚合释义预测构建非一致性评分，实现稳健的共形预测，在多个基准上保持覆盖并减小集合大小。
2026-10-06 cs.CL cs.LG
Reaching the Tail: Calibration Diversity Drives Conformal Coverage under Data Scarcity
University of Moratuwa（莫拉图瓦大学）
本文针对长宏观经济序列数据稀缺下的多期罕见事件预测难题，提出基于校准多样性的策略，将六个月覆盖率从67.8%提升至81.4%，并量化了诚实评分下六个月覆盖率能否达90%的待解问题。
2026-08-25 cs.LG
Inductive Conformal Recommender System
National Institute of Technology, Warangal（瓦朗加尔国立理工学院）；Mahindra University（马恒达大学）；University of Hyderabad（海得拉巴大学）；University of Delhi（德里大学）
传统的推荐算法开发的技术，可以帮助人们选择所需的项目。然而，在许多现实世界的应用中，除了一组建议之外，量化每个建议的（非）确定性也是至关重要的。适形推荐系统使用用户的经验来输出一组推荐，每个推荐与精确的置信度值相关联。给定显著性水平$\varepsilon$，它提供了关于做出错误推荐的概率的界限$\varepsilon$。适形框架使用了一个称为\emph{nonconformity measure}的关键概念，它衡量一个项目对其他项目的陌生度。任何共形推荐框架的一个重要设计挑战是将不一致性度量与推荐算法相结合。本文介绍了共形推荐系统的一个归纳变体。我们提出并分析了不同的不符合措施，在感应设置。并对算法的误差界和时间复杂度进行了理论证明。在十个基准数据集上的大量实证分析表明，归纳变体在保持准确性的同时大大提高了计算时间的性能。
2022-01-25 cs.IR cs.LG
PASC: Pipeline-Aware Conformal Prediction with Joint Coverage Guarantees for Multi-Stage NLP and LLM Pipelines
Independent Researcher（独立研究者）
本文提出PASC，一种面向多阶段NLP和LLM流水线的管道感知置信区间方法，通过联合覆盖保证提升多阶段流水线的置信区间性能。
2026-05-12 cs.CL cs.IR cs.LG
Approximating Full Conformal Prediction for Neural Network Regression with Gauss-Newton Influence
University of Amsterdam（阿姆斯特丹大学）；Qualcomm AI Research（高通人工智能研究院）；Johns Hopkins University（约翰斯·霍普金斯大学）
针对事后不确定性量化中 split-CP 统计效率低的问题，提出用高斯-牛顿影响和网络线性化逼近 full-CP，无需留出数据即可生成更紧的局部自适应预测区间。
2025-07-27 cs.LG stat.ML
Data-Driven Calibration of Prediction Sets in Large Vision-Language Models Based on Inductive Conformal Prediction
提出模型无关的分裂共形预测框架，通过动态阈值与跨模态一致性校准 LVLM 预测集，在 ScienceQA 和 MMMU 上验证其覆盖率保证与部署稳健性。
2025-05-15 cs.AI cs.CL cs.LG
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
Symmetric Aggregation of Conformity Scores for Efficient Uncertainty Sets
Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；University of Mons（蒙斯大学）
SACP通过聚合多个预测器的一致性分数，提供了一种高效且稳健的不确定性集生成方法，提升了预测集的精度和效率。
2026-03-05 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
Empirical Bayes Conformal Prediction for Vision and Language Models
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；University of California San Diego（加州大学圣地亚哥分校）；Xiamen University（厦门大学）
提出经验贝叶斯共形预测框架，利用r值将得分变异性转化为不确定性感知的非一致性得分，在保持目标覆盖的同时减少高方差假候选的包含。
2026-05-22 cs.LG
Real-time Out-of-distribution Detection in Learning-Enabled Cyber-Physical Systems
Vanderbilt University（范德堡大学）
网络物理系统（CPS）通过使用能够处理现实世界的不确定性和可变性的机器学习组件而大大受益。然而，诸如深度神经网络之类的典型组件引入了可能影响系统安全的新型危险。系统行为取决于仅在运行时可用的数据，并且可能与用于训练的数据不同。分布外的数据可能会导致较大的错误并危及安全性。本文研究了CPS控制系统中如何有效地检测非分布数据的问题。检测必须是鲁棒的，并且限制假警报的数量，同时对于实时的【形】监控是计算高效的。所提出的方法利用归纳共形预测和异常检测开发一种方法，具有良好的校准误报率。我们使用变分自编码器和深度支持向量数据描述来学习模型，这些模型可以有效地计算新输入相对于训练集的不一致性，并能够实时的【形】检测分布外的高维输入。我们使用先进的紧急制动系统和在自动驾驶汽车的开源模拟器中实现的自动驾驶端到端控制器来演示该方法。仿真结果表明，非常少的误报和检测延迟，而执行时间与原始机器学习组件的执行时间相当。
2020-01-28 cs.LG cs.SY eess.SY
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
Conformal Prediction for Uncertainty Estimation in Drug-Target Interaction Prediction
Department of Data Analysis and Mathematical Modeling（数据分析与数学建模系）
本文提出并比较三种聚类条件保形预测方法，在KIBA数据集上验证其能提供更紧凑区间和可靠亚组覆盖率，提升药物-靶点相互作用预测的不确定性估计。
2025-05-24 cs.LG
ENCP: Episode-Normalized Conformal Prediction for Vision-and-Language Navigation
Monash University, Indonesia（蒙纳士大学印度尼西亚校区）；SEACrowd
针对VLN中标准共形预测无法在依赖且变长片段上提供覆盖保证的问题，提出ENCP，通过残差置信度重缩放非一致性分数并每片段校准一个最大分数，在R2R和REVERIE上达到所有步级覆盖目标，提供模型无关的不确定性估计。
2026-09-16 cs.AI cs.LG cs.RO
Geometrically Constrained Outlier Synthesis
AXA AI Research（AXA人工智能研究）；EPFL, Lausanne, Switzerland（瑞士洛桑联邦理工学院）；Polish Academy of Science, IBS PAN, Warsaw, Poland（波兰科学院，IBS PAN，华沙，波兰）
提出几何约束异常合成（GCOS）方法，通过在隐藏特征空间中生成受几何约束的虚拟异常样本，结合对比正则化，提升图像分类模型对分布外样本的鲁棒性。
2026-05-26 cs.AI cs.LG
TRACE: Transport Alignment Conformal Prediction via Diffusion and Flow Matching Models
Department of Statistics and Actuarial Science University of Iowa（统计与精算科学系，爱荷华大学）；Departments of Data Science and AI, and Applied Mathematics The Hong Kong Polytechnic University（数据科学与人工智能系、应用数学系，香港理工大学）
本文提出TRACE框架，通过扩散和流匹配模型中的传输对齐定义非符合性分数，实现多维输出的有效置信域构造，验证了其在复杂生成设置中的有效性。
2026-05-08 cs.LG stat.ML
CONTRA: Conformal Prediction Region via Normalizing Flow Transformation
Department of Statistics and Actuarial Science（统计与精算科学系）；The University of Iowa（爱荷华大学）；Department of Applied Mathematics（应用数学系）；The Hong Kong Polytechnic University（香港理工大学）
CONTRA通过归一化流变换定义非符合分数，生成高密度区域到输出空间的锐利预测区域，优于传统超矩形或椭圆形符合区域，且能增强其他预测模型的可靠性。
2026-05-08 cs.LG stat.ML
Bridging conformal prediction and scenario optimization
University of Oxford（牛津大学）；Technical University of Denmark（丹麦技术大学）
该研究通过聚焦普通保形预测，严格证明了如何选择评分函数和集合预测器以恢复情景规划的约束违反概率界限，并利用情景方法分析校准条件保形预测，从而在保形预测与情景优化之间建立了理论桥梁。
2025-04-01 cs.LG cs.SY eess.SY
Conformal Risk Minimization for Semi-Supervised Domain Adaptation via Optimal Transport
Duke University（杜克大学）
该研究针对半监督域适应场景中现有方法缺乏不确定性量化的问题，提出将共形风险最小化与最优传输结合的端到端框架，生成紧凑且覆盖有效的预测集。
2026-08-25 cs.LG
BOKBO (Best of K Bad Options): Calibrated Abstention for VLA Policies
针对视觉-语言-动作(VLA)策略的测试时扩展方法，提出首个共形弃权层BOKBO，通过全局和逐任务变体提供有限样本无分布保证的执行违规率控制，并揭示基于扰动的K采样下策略内部非一致性分数的结构性缺陷。
2026-05-28 cs.LG cs.RO
Conformal Individual Treatment Effect Estimation under Networked Interference
EURECOM（欧洲通信学院）；Northeastern University London（伦敦东北大学）
本研究提出干扰调整的加权保形预测方法，放宽无干扰假设，通过构造可观测上界，为网络干扰下的反事实结果和个体治疗效果提供有限样本覆盖保证。
2026-09-15 cs.IT cs.LG math.IT
Colorful Pinball: Density-Weighted Quantile Regression for Conditional Guarantee of Conformal Prediction
School of Economics and Management, Tsinghua University, China（清华大学经济管理学院）
本文提出了一种基于密度加权分位数回归的条件保证置信预测方法，通过改进标准置信预测的条件覆盖性能，提供更精确的非渐近保证。
2026-05-19 cs.LG stat.ME
Leverage-Weighted Conformal Prediction
LWCP通过统计杠杆加权非符合分数，实现无分布预测区间，提高条件覆盖精度，减少覆盖差距。
2026-02-13 cs.LG
AutoCP: Automated Pipelines for Accurate Prediction Intervals
University of Cambridge（剑桥大学）；UCLA（加州大学洛杉矶分校）；The Alan Turing Institute（艾伦·图灵研究所）
将机器学习模型成功应用于现实世界的预测问题，例如金融预测和个性化医疗，已被证明是具有挑战性的，因为这样的设置需要限制和量化模型预测中的不确定性，即提供有效和准确的预测区间。保形预测是一种在有限样本中构造有效预测区间的无分布方法。然而，由共形预测构造的预测区间通常（由于过度拟合、不符合性的不适当测量或其他问题）过于保守，因此不适合手头的应用。本文提出了一个AutoML框架，称为自动共形预测机器学习（AutoCP）。与尝试选择最佳预测模型的熟悉AutoML框架不同，AutoCP构建了实现用户指定目标覆盖率的预测区间，同时优化了区间长度，使其准确且不那么保守。我们在各种数据集上测试了AutoCP，发现它的性能明显优于基准算法。
2020-09-13 cs.LG stat.ML
Conformal Prediction for Signal Temporal Logic Inference
Mechanical Engineering Department（机械工程系）；Department of Mechanical Engineering（机械工程系）；Lincoln Laboratory（林肯实验室）；Massachusetts Institute of Technology（麻省理工学院）
针对信号时序逻辑推理缺乏置信度保证的问题，提出端到端可微分共形预测框架，通过鲁棒性非一致性得分、内嵌平滑CP层及联合损失函数优化，在基准时序任务上实现更高预测可靠性与准确率。
2025-10-21 cs.LG
Optimal Transport-based Conformal Prediction
CNRS, ENS Paris（法国国家科学研究中心，巴黎高等师范学院）
本文提出一种基于最优传输的共形预测方法，利用Monge-Kantorovich向量秩和分位数构建灵活非凸预测区域，在多输出回归和多类分类中实现有限样本覆盖保证与自适应条件覆盖，并通过实验验证其在覆盖率和效率上的优势。
2025-05-06 cs.LG stat.ML
CausalGuard: Conformal Inference under Graph Uncertainty
Case Western Reserve University（凯斯西储大学）
本文提出CausalGuard，一种结构加权的契合框架，通过聚合图条件双稳健伪结果进行校准，以在图不确定性下提供无分布的有限样本边际覆盖。
2026-05-21 cs.AI cs.LG stat.ME
Robust Bayes-Assisted Conformal Prediction
针对贝叶斯辅助共形预测在先验与数据失配时预测集过大的问题，提出RoBAS框架构造鲁棒非一致性得分，分布偏移下可缩窄预测区间且无偏移时性能有竞争力。
2026-07-08 cs.LG stat.ML
Conformal Prediction with Temporal Quantile Adjustments
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；MIT（麻省理工学院）
我们开发了时间分位数调整（TQA），一个通用的方法来构建有效的和有效的预测区间（PI）的回归横截面时间序列数据。这种数据在许多领域都很常见，包括计量经济学和医疗保健。医疗保健中的一个典型示例是使用生理时间序列数据预测患者结果，其中患者群体构成横截面。在这种情况下，可靠的PI估计必须解决两个不同的覆盖范围概念：横截面切片的横截面覆盖范围，以及每个时间序列沿时间维度的纵向覆盖范围。最近的工作已经探索了适应共形预测（CP）以在时间序列上下文中获得PI。然而，没有一个国家同时处理这两种覆盖概念。CP方法通常从校准集上的不合格分数分布中查询预先指定的分位数。TQA在每次$t$调整CP中查询的分位数，以理论上有根据的方式考虑横截面和纵向覆盖率。TQA的事后性质便于将其用作任何时间序列回归模型的通用包装器。我们通过大量的实验验证了TQA的性能：TQA通常获得有效的PI，并提高纵向覆盖率，同时保持横截面覆盖率。
2022-05-23 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
