On some practical challenges of conformal prediction
Department of Mathematical Sciences, The University of Texas at Dallas（德克萨斯大学达拉斯分校数学科学系）
本文探讨了符合预测方法在实际应用中的三个挑战，并提出了一种二次多项式非符合度量来同时解决这些挑战。
2026-03-30 cs.LG stat.ML
Conformal Blindness: A Note on $A$-Cryptic change-points
本文探讨了 conformal blindness 现象，通过构造示例展示了 A-cryptic change-point 的可能性，并指出 ctm 在面对分布转移时的局限性。
2026-01-22 cs.LG stat.ML
Rectifying Conformity Scores for Better Conditional Coverage
Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学）；Skolkovo Institute of Science（斯克尔科沃科学研究所）；University of Mons（蒙斯大学）；Computing Research Center（计算研究中心）
本文提出一种在分裂共形预测框架下对一致性分数进行可训练变换的新方法，通过估计条件分位数改善条件覆盖并保持精确边际覆盖，在多输出问题中优于现有方法。
2025-08-19 cs.LG math.ST 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
Multi-Distribution Robust Conformal Prediction
Mathematics Department, The Hong Kong University of Science（香港科学与技术大学数学系）；Department of Statistics and Data Science, University of Pennsylvania（宾夕法尼亚大学统计与数据科学系）；Data Science, University of Pennsylvania, Philadelphia, PA, USA（宾夕法尼亚大学数据科学）
研究在多源分布下构建一致有效的共形预测集问题，提出最大\(p\)聚合方案，证明其最优性并给出学习一致性分数算法，实验表明该方法能在多分布上提供有效覆盖率且减小集合大小。
2026-07-10 cs.LG stat.ME 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
Conformal Inference for Invariant Risk Minimization
Hong Kong Polytechnic University（香港理工大学）；The Chinese University of Hong Kong（香港中文大学）
本文针对分布偏移下不变风险最小化表示的不确定性量化问题，提出环境自适应的加权一致性分数与无分布共形预测区间，并通过模拟和真实数据实验验证其有效性。
2023-05-22 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
Exact and Robust Conformal Inference Methods for Predictive Machine Learning With Dependent Data
我们将共形推理扩展到允许时间序列数据的一般设置。我们的建议是作为一个随机化的方法，并考虑到潜在的串行依赖，包括块结构的置换方案。因此，所提出的方法保留了准确的，无模型的有效性时，数据是独立同分布。或更一般地可交换的，类似于通常的共形推理方法。当交换失败，是常见的时间序列数据的情况下，所提出的方法是近似有效的一致性分数弱假设下。
2018-07-12 cs.LG stat.ML
A Conformal Prediction Approach to Explore Functional Data
Carnegie Mellon University（卡内基梅隆大学）
本文应用共形预测技术计算函数型数据的同时预测带和聚类树。这些工具可用于检测离群值和聚类。我们的预测带和聚类树都为底层随机过程提供了预测集，保证了有限样本行为，没有分布假设。预测集也是信息性的，因为它们对应于底层过程的高密度区域。虽然普通的共形预测有很高的计算成本的功能数据，我们使用的归纳共形预测，以及几个新的选择一致性得分，以简化计算。我们的方法说明了一些实际数据的例子。
2013-02-26 cs.LG stat.ML
conformalClassification: A Conformal Prediction R Package for Classification
conformalClassification包为分类问题实现了Transductive共形预测（TCP）和归纳共形预测（ICP）。共形预测（CP）是一个框架，它通过可靠的置信度测量来补充机器学习算法的预测。TCP给出的结果具有比ICP更高的有效性，但是ICP在计算上比TCP更快。包conformalClassification基于随机森林方法构建，其中每个类的随机森林投票被认为是每个数据点的一致性得分。虽然conformalClassification包的主要目的是为分类问题生成CP错误（p值），但该包还实现了各种诊断措施，如有效性偏差，错误率，效率，观察到的模糊度和校准图。在未来的版本中，我们计划扩展该软件包以使用其他机器学习算法（例如支持向量机）进行模型拟合。
2018-04-16 cs.LG stat.ML
Conformal Prediction based Spectral Clustering
Sri Sathya Sai Institute of Higher Learning（斯里·萨提亚·赛高等教育学院）
谱聚类是近年来一种重要的数据聚类技术，引起了研究者的广泛关注。它是一种高度数据驱动的方法，对要聚类的数据结构没有严格的假设。谱聚类的核心部分之一是基于数据点之间的相似性度量构建亲和矩阵。定义数据点之间的相似性度量的方式对SC技术的性能有直接影响。已经在加强成对相似性度量以增强谱聚类的方向上进行了几次尝试。在这项工作中，我们已经定义了一种新的亲和性措施，采用共形预测（CP）框架中使用的非一致性的概念。基于非一致性的亲和度捕获数据点的邻域之间的关系，并且具有概括上下文相似性的概念的能力。我们已经表明，这种制定的亲和性措施给出了良好的结果，并与最先进的方法。
2019-09-17 cs.CV cs.LG stat.ML
Building Conformal Prediction Intervals with Approximate Message Passing
École Polytechnique Fédérale de Lausanne (EPFL)（瑞士联邦理工学院（EPFL））；Statistical Physics of Computation laboratory（计算统计物理实验室）
针对广义线性回归高维场景下保形预测计算成本高的问题，提出基于近似消息传递的算法，通过近似保形得分加速预测区间计算，在合成与真实数据上验证了其接近基线方法的精度与数量级级别的速度提升，并在理论上证明了保形得分的收敛性。
2024-10-21 cond-mat.dis-nn cs.LG stat.ML
Evidential Uncertainty Sets in Deep Classifiers Using Conformal Prediction
Toronto Metropolitan University（多伦多都会大学）；Vector Institute（向量研究所）
本文提出证据共形预测（ECP）方法，利用证据深度学习量化DNN分类器认知不确定性，基于logit值计算非一致性评分函数生成预测集合，在保持真实标签覆盖率的同时显著减小了集合大小并提升了自适应性。
2024-07-30 cs.AI cs.CV cs.LG
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
Backward Conformal Prediction
INRIA-ENS-PSL Paris（法国国家信息与自动化研究所-巴黎综合理工学院-巴黎理工学院）；UC Berkeley（加州大学伯克利分校）
反向符合预测通过约束预测集大小行为并调整覆盖率水平，提供灵活的可计算覆盖率保证，适用于医疗诊断等大预测集不现实的应用场景。
2026-02-12 cs.LG stat.ML
Split Localized Conformal Prediction
University of Texas at Austin（德克萨斯大学奥斯汀分校）
共形预测是一种简单而强大的工具，它可以量化不确定性，而无需任何分布假设。许多现有的方法仅解决平均覆盖保证，这与更强的条件覆盖保证相比是不理想的。现有的近似条件覆盖的方法需要额外的模型或时间，这使得它们不容易扩展。在本文中，我们提出了一个修改后的非一致性分数，利用本地近似的条件分布使用核密度估计。改进后的分数继承了分裂共形方法的思想，简单有效，可以扩展到高维环境。我们还提出了一个统一的框架，汇集了我们的方法和几个国家的最先进的。我们进行了广泛的实证评估：平均和条件覆盖率测量的结果证实了我们的方法的优势。
2023-02-20 cs.LG stat.ML
C-Adapter: Adapting Deep Classifiers for Efficient Conformal Prediction Sets
本文提出 C-Adapter，通过内部保序适配器和增强非一致性分数区分度的损失，在不损失准确率的前提下提升多种分类器的保形预测集效率。
2025-03-18 cs.LG
Sparse Activations as Conformal Predictors
Instituto de Telecomunicações（电信研究所）；Instituto Superior Técnico, Universidade de Lisboa（里斯本大学高级技术学院）；ELLIS Unit Lisbon（里斯本ELLIS单元）；Unbabel（Unbabel公司）
本文提出将稀疏激活（如sparsemax和γ-entmax）与共形预测结合，通过温度缩放校准，使支持集自动获得覆盖保证，在视觉和文本分类基准上表现优异。
2025-02-23 cs.LG
Optimal training-conditional regret for online conformal prediction
University of Pennsylvania（宾夕法尼亚大学）
本文提出两种在线置信预测算法，分别针对预训练和在线训练的非一致性评分函数，通过漂移检测实现最优训练条件后悔，验证了算法在非平稳数据流中的有效性。
2026-03-05 cs.IT cs.LG math.IT
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
Out-of-Distribution Detection Should Use Conformal Prediction (and Vice-versa?)
IRT Saint Exupery（圣埃克苏佩里IRT研究院）；Artificial and Natural Intelligence Toulouse Institute（图卢兹人工与自然智能研究所）；SNCF（法国国家铁路公司）；Mathematical Institute of Toulouse（图卢兹数学研究所）
本文提出将保形预测用于分布外检测评分评估，定义保形AUROC和FRP@TPR95指标以提供保守性保证，并在OpenOOD和ADBench基准上验证，同时反向利用OOD评分改进CP方法，揭示两领域内在关联。
2024-03-18 cs.CV cs.LG stat.ML
Conditional validity and a fast approximation formula of full conformal prediction sets
本文证明全共形预测集在稳定性条件下具有训练条件保守性，提出计算更快的近似公式，并证明其与全共形、交叉共形及Jackknife等方法在渐近训练条件覆盖上等价。
2025-08-07 math.ST stat.TH
Conformal prediction without knowledge of labeled calibration data
本文扩展了保形预测方法，使其在无标签校准数据下通过估计校准分数确定合规集，并证明该方法在分类和回归任务中均能提供严格的覆盖率保证。
2025-09-12 stat.ME
eCP: Equivariant Conformal Prediction with pre-trained models
GRASP Laboratory, Department of Electrical & Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系GRASP实验室）；Department of Computer Science, University of Southern California（南加州大学计算机科学系）；Automatic Control Laboratory, ETH Zürich（苏黎世联邦理工学院自动控制实验室）
本文提出eCP方法，通过结合几何信息和预训练模型，改进符合预测的不确定性区域，提升高置信度下的预测精度。
2026-04-17 cs.LG cs.RO cs.SY
Multivariate Standardized Residuals for Conformal Prediction
Sierra team, Inria Paris, France（Inria巴黎分部）
本文提出多元标准化残差方法，通过白化残差解耦输出相关性并标准化局部方差，从而提升置信预测的条件覆盖性能。
2026-05-07 cs.AI cs.LG stat.ME
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
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
A Two-Sample Conditional Distribution Test Using Conformal Prediction and Weighted Rank Sum
我们考虑了两个总体之间给定一个协变量向量的反应变量的条件分布的相等性检验问题。这样的假设检验问题可以从各种机器学习和统计推断场景中激发，包括迁移学习和因果预测推断。我们从共形预测框架中得到启发，开发了一个非参数检验程序。我们的检验统计量的建设结合了共形预测的最新发展与一个新的选择一致性得分，从而在加权秩和检验统计量，是有效的和强大的一般设置下。据我们所知，这是第一次成功地尝试使用共形预测检验统计假设以外的交换。我们的方法适用于现代机器学习场景中的数据具有高维度和大样本量，并可以有效地结合现有的分类算法，找到良好的一致性得分函数。所提出的方法的性能证明在各种数值例子。
2023-02-23 stat.ME
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
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
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
Distribution-free inference for LightGBM and GLM with Tweedie loss
Department of Statistics University of Connecticut（统计学系 美国康涅狄格大学）；The Travelers Companies, Inc.（旅行者公司）
本研究针对保险索赔预测，为GLM和LightGBM提出新的非一致性度量，通过共形预测实现无分布不确定性量化，实验表明局部加权皮尔逊残差在LightGBM上效果最佳。
2025-07-09 cs.LG stat.ML
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
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
Multi-Scale Conformal Prediction: A Theoretical Framework with Coverage Guarantees
本文提出多尺度共形预测框架，通过在各尺度定义符合性函数并相交预测集，在保持有限样本覆盖保证的同时生成更小更精确的预测集。
2025-02-08 cs.SY eess.SY math.ST
Conformal Uncertainty Sets for Robust Optimization
不确定性下的决策对于任何对观测数据扰动敏感的决策都非常重要。将不确定性纳入最优决策的一种方法是通过鲁棒优化，该方法在某些不确定性集合上最小化最坏情况。我们将共形预测区域与鲁棒优化相连接，提供有限样本有效和保守的椭球不确定性集，恰当地命名为共形不确定性集。在追求这种连接，我们明确定义Mahalanobis距离作为一个潜在的一致性得分在充分的共形预测。我们还比较了覆盖范围和优化性能的共形不确定性集，特别是生成的马氏距离，传统的椭球形不确定性集的模拟强大的优化实例的集合。
2021-09-03 math.OC stat.ME stat.ML
Boosted Conformal Prediction Intervals
本文提出一种基于梯度提升的增强保形程序，在训练后仅利用模型预测来优化保形预测区间，显著缩短区间长度并提高条件覆盖率。
2024-11-09 stat.ME stat.ML
Semiparametric conformal prediction
Prescient Design, Genentech（普雷赛特设计公司，基因泰克）；Stanford University（斯坦福大学）；New York University（纽约大学）
本文提出一种半参数共形预测方法，利用非参数 vine copulas 估计向量值非一致性分数的联合分布，并通过影响函数提升分位数估计效率，在保证渐近精确覆盖的同时可扩展到大量目标变量。
2025-03-11 cs.LG stat.ML
Conformal prediction for functional Ordinary kriging
本文针对函数普通克里金法的不确定性问题，提出基于两种调制函数和两个一致性分数的无分布共形预测方法，并通过模拟与基准数据验证其优于标准方法。
2024-09-30 stat.ME
Kernel-based Optimally Weighted Conformal Time-Series Prediction
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（H. Milton Stewart工业与系统工程学院，佐治亚理工学院）
本文提出了一种基于核的最优加权符合预测方法，通过学习最优数据自适应权重，在时间序列预测中实现了更窄的置信区间同时保持覆盖性。
2026-02-11 cs.LG math.ST stat.ML
Batch Multivalid Conformal Prediction
Stanford University（斯坦福大学）；University of Pennsylvania（宾夕法尼亚大学）
我们开发了快速的无分布保形预测算法，用于在批处理设置中获得可交换数据上的多值覆盖。多值覆盖保证在两个方面比边缘覆盖保证更强：（1）它们甚至有条件地保持在组成员资格上--也就是说，目标覆盖级别$1-α$有条件地保持在特征空间中的区域的有限集合$\mathcal{G}$中的任意（可能相交的）组中的每个中的成员资格上。(2)它们甚至在用于产生给定示例上的预测集的阈值的值上保持有条件。事实上，多值覆盖保证即使在同时以组成员资格和阈值为条件时也成立。我们给出两个算法：两者都将任意非一致性得分和可能相交的组$\mathcal{G}$的任意集合作为输入，然后可以为任意黑盒预测器配备预测集。我们的第一个算法（BatchGCP）是分位数回归的直接扩展，只需要解决一个凸最小化问题，并产生一个估计，其中每个组在$\mathcal{G}$有组条件保证。我们的第二个算法（BatchMVP）是迭代的，并给出了多值共形预测的充分保证：预测集在组成员资格和非一致性阈值上都是有效的。我们评估我们的算法在一组广泛的实验中的性能。可以在https://github.com/ProgBelarus/BatchMultivalidConformal上找到复制我们所有实验的代码
2022-09-30 cs.LG math.ST stat.TH
Aggregating Conformal Prediction Sets via α-Allocation
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）
针对多一致性分数下共形预测集规模优化难题，提出COLA聚合策略及三个变体，可在保证有效覆盖的前提下得到更小预测集，实验验证其性能优于现有最优基线。
2025-11-15 cs.LG stat.ME stat.ML
Privacy-Preserving Conformal Prediction Under Local Differential Privacy
Bar-Ilan University（巴伊兰大学）
本文提出在局部差分隐私下实现隐私保护的置信区间方法，通过两种互补的隐私保护技术，确保在不可信聚合者环境下仍能保持数据和标签隐私，并提供稳健的覆盖保证。
2025-12-05 cs.LG stat.ML
Volume Optimality in Conformal Prediction with Structured Prediction Sets
University of Chicago（芝加哥大学）；Toyota Technological Institute at Chicago（芝加哥丰田理工学院）；Northwestern University（西北大学）
本文提出一种基于动态规划的无分布算法，在结构化预测集（$k$-区间并集）中实现近最优体积，并兼顾覆盖保证，实验显示优于现有方法。
2025-02-23 cs.LG 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
Uncertainty Quantification over Graph with Conformalized Graph Neural Networks
Stanford University（斯坦福大学）
本文提出共形化图神经网络（CF-GNN），将共形预测扩展到图数据，通过置换不变性条件保证覆盖率，并利用拓扑感知的输出校正模型显著减小预测集合/区间大小，在保证目标边际覆盖率的同时将集合大小最多减小74%。
2023-10-30 cs.LG stat.ML
Direct Prediction Set Minimization via Bilevel Conformal Classifier Training
Washington State University（华盛顿州立大学）
本文提出 DPSM 双层优化算法，将保形预测纳入深度分类器训练以直接最小化预测集大小，并给出更优学习界，实验显示预测集大小较最佳基线降低 20.46%。
2025-06-07 cs.LG stat.ML
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
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
iDECODe: In-distribution Equivariance for Conformal Out-of-distribution Detection
University of Pennsylvania（宾夕法尼亚大学）；SRI International（斯坦福国际研究院）；Georgia Institute of Technology（佐治亚理工学院）
诸如深度神经网络（DNN）之类的机器学习方法尽管在不同领域取得了成功，但已知它们经常在其训练分布之外的输入上生成具有高置信度的不正确预测。在安全关键域中部署DNN需要检测分发外（OOD）数据，以便DNN可以避免对这些数据进行预测。最近已经开发了许多用于OOD检测的方法，但仍有改进的空间。我们提出了新的方法iDECODe，利用分布等方差共形OOD检测。它依赖于一种新的基础非一致性措施和一种新的聚合方法，用于感应共形异常检测框架，从而保证有界的误检率。我们通过在图像和音频数据集上的实验证明了iDECODe的有效性，获得了最先进的结果。我们还表明，iDECODe可以检测对抗性的例子。
2022-01-07 cs.LG
Unified Conformalized Multiple Testing with Full Data Efficiency
School of Statistics and Data Science, Nankai University（南开大学统计与数据科学学院）；School of Mathematical Sciences, Shanghai Jiao Tong University（上海交通大学数学系）
本文提出一种统一的符合性多重检验框架，通过充分利用所有可用数据（null、alternative和未标记数据）来构建分数和校准p值，从而提高统计功效并严格控制虚无发现率。
2026-05-21 stat.ME stat.ML
Counterfactually Fair Conformal Prediction
UC Santa Barbara（加州大学圣芭芭拉分校）；Munich RE（慕尼黑再保险）
CF-CP通过反事实公平的预测集实现公平不确定性量化，适用于回归和分类任务。
2026-03-12 cs.LG
Conformal inference for random objects
本文提出一种用于分析一般度量空间中对象值响应的保形推断工具包，通过引入条件轮廓平均传输成本作为一致性得分构建预测集，并证明其收敛性、渐近有效性及在覆盖率和预测集大小上的优越性。
2025-06-28 stat.ME
