Conformal Prediction With Conditional Guarantees
本文将条件覆盖重构为协变量偏移类上的覆盖，提出在边际与条件有效性之间插值的保形预测框架，可在有限维目标下实现精确有限样本覆盖，并量化无限维情形下的覆盖误差。
2024-09-16 stat.ME
Conformal Multi-Target Hyperrectangles
本文提出用于多目标回归的共形超矩形预测区域及分割共形预测算法，无需协方差估计即可实现渐近名义覆盖与边际平衡，并在模拟和真实数据上优于现有方法。
2024-06-06 stat.ME
Selective conformal inference with false coverage-statement rate control
针对仅对测试集中被选个体报告预测区间的问题，本文提出 SCOP 选择性条件保形预测框架，在可交换性及更一般条件下提供 FCR 控制和非渐近覆盖保证，并生成更窄区间。
2024-03-12 stat.ME
Inference for Clustering: Conformal Sets for Cluster Labels
Columbia University（哥伦比亚大学）
本文提出一种新的置信推断框架，用于返回聚类标签的置信集。通过引入随机标签和软分类器，解决了标签估计带来的覆盖不足问题，并在理论和实践中验证了方法的有效性。
2026-04-09 stat.ME
Approximating full conformal prediction: distribution free guarantees via the tournament correction
University of Chicago（芝加哥大学）
提出基于锦标赛思想的一类新近似方法，在保证边际覆盖率为1-2α的同时降低计算成本，并可在稳定性条件下收紧至约1-α。
2026-06-17 stat.ME
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
Drift-Aware Spectral Conformal Prediction for Non-Exchangeable Streaming Data: A Controlled Evaluation
The University of Texas Rio Grande Valley（德克萨斯大学里奥格兰德河谷分校）；Florida International University（佛罗里达国际大学）
针对非可交换流数据的分布漂移问题，提出漂移感知谱共形预测（DASC），通过局部谱相似性加权校准残差和基于传输的漂移评分，动态调整校准池与目标误覆盖率，实现近名义覆盖并降低区间宽度。
2026-11-10 stat.ME
Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores
University of California, Berkeley（加利福尼亚大学伯克利分校）；Inria（法国国家信息与自动化研究所）
针对标准 conformal 预测仅保证边际覆盖的局限，本研究提出基于分类器置信度和信任分数的改进算法，在分类器过度自信于错误预测的关键场景提升条件覆盖，实证显示其在多图像数据集上改善了类别、子组等条件覆盖特性。
2025-02-09 cs.AI cs.LG stat.ME
Conformal prediction intervals for the individual treatment effect
我们提出了几个预测区间的个人处理效应与有限样本或渐近覆盖保证在非参数回归设置，其中允许非线性回归函数，异方差和非高斯。我们使用Vovk等人（2005）的保形方法构建预测区间。在广泛的模拟中，我们比较了我们的预测区间过程的覆盖概率和区间长度。我们证明，复杂的学习算法，如神经网络，可以导致更窄的预测区间比简单的算法，如线性回归，如果样本量是足够大的。
2020-06-02 stat.ME
Optimal Conformal Prediction for Small Areas
现有的小区域数据的推断方法涉及维护区域级频率覆盖率和通过纳入间接信息提高推断精度之间的权衡。在这篇文章中，我们提出了一种方法来获得一个区域级的预测区域，为未来的观察，减轻这种权衡。该方法采用共形预测的方法，其中的一致性措施是后验预测密度的工作模型，包括间接信息。无论工作模型如何，所得到的预测区域都具有保证的频率论覆盖，并且如果工作模型假设是准确的，则与具有相同覆盖率的其他区域相比，该区域具有最小的预期体积。在正常工作模型下，我们证明了这样的预测区域是一个区间，并构造了一个有效的算法来获得准确的区间。我们说明了我们的方法的性能，通过模拟研究和EPA氡测量数据的应用。
2022-04-18 stat.ME
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
Efficient conformal prediction intervals for time series: Online PID-Expert aggregation
School of Economics and Management, Beihang University（北京航空航天大学经济管理学院）；Beijing Shuji Intelligent Technology Co., Ltd.（北京数智科技有限公司）；Center for Forecasting Science, Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院预测科学中心）
PID-Expert通过在线聚合多个PID校准器，在保持覆盖率的同时生成更窄的预测区间，提高了时间序列共形预测的效率。
2026-10-05 stat.ME
When Is a Conformal Guarantee Fair? Auditing Silent Subgroup Under-Coverage in Alzheimer's Disease Longitudinal Prediction
University of Southern California（南加州大学）
该研究针对阿尔茨海默病纵向预测中总体共形预测带对高风险亚组覆盖不足的问题，提出机制驱动的共形修正框架，在两个队列中实现了几乎所有高风险亚组的目标覆盖。
2026-08-06 stat.ME stat.ML
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
Conformal Prediction with Macro-Coverage Guarantees
Department of Statistics, University of Chicago（芝加哥大学统计系）；Department of Statistics, UC Berkeley（伯克利大学统计系）
提出标签加权共形预测方法，在有限样本下保证宏覆盖（类覆盖率的未加权平均），并推广到广义宏覆盖目标，在长尾分类中平衡边缘覆盖与类条件覆盖。
2026-06-26 cs.LG stat.ME stat.ML
How Synthetic Labels Improve Conformal Prediction: A Perspective on Conditional Coverage
School of Economics and Management, Tsinghua University（清华大学经济管理学院）
本文提出预测驱动的分位数学习，利用合成标签改善小样本条件下的共形预测覆盖率，在八个回归基准上验证了其有效性。
2026-09-29 cs.LG stat.ME
Conformal Prediction using Conditional Histograms
本文提出了一种计算非参数回归预测区间的保角方法，该方法可以自动适应偏斜数据。利用黑盒机器学习算法来使用直方图估计结果的条件分布，它将其输出转换为具有近似条件覆盖的最短预测区间。所得的预测区间可证明在有限样本中具有边际覆盖，而如果黑箱模型是一致的，则渐近地实现条件覆盖和最优长度。模拟和真实数据的数值实验表明，改进的性能相比，国家的最先进的替代品，包括保形分位数回归和其他分布共形预测的方法。
2021-10-24 stat.ME stat.ML
Conformal Prediction Assessment: A Framework for Conditional Coverage Evaluation and Selection
Qiuzhen College, Tsinghua University（清华大学求真书院）；Yau Mathematical Sciences Center, Tsinghua University（清华大学丘成桐数学科学中心）
本文提出CPA框架，通过训练可靠性估计器评估条件覆盖，引入CVI指数分解可靠性并证明其一致性，实验表明CPA能有效诊断局部失效模式。
2026-03-28 cs.LG stat.ME 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
Bin-Conditional Conformal Prediction of Fatalities from Armed Conflict
Uppsala University（乌普萨拉大学）；North Carolina State University（北卡罗来纳州立大学）；Peace Research Institute Oslo（奥斯陆和平研究所）
本文提出了一种名为区间条件符合预测（BCCP）的方法，用于提升武装冲突致死事件预测的不确定性估计精度，通过确保用户定义子集的覆盖一致性，改进局部覆盖性能。
2025-03-11 stat.ME stat.ML
Confidence on the Focal: Conformal Prediction with Selection-Conditional Coverage
针对焦点单元选择偏差导致保形预测边际覆盖失效问题，提出适用于任意排列不变选择规则的有限样本精确条件覆盖框架，推广Mondrian方法并实现多种规则的高效计算，在药物发现和健康风险预测中验证了性能。
2025-04-17 math.ST 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
Posterior Conformal Prediction
National University of Singapore（新加坡国立大学）；Stanford University（斯坦福大学）
提出后验共形预测（PCP）方法，通过将条件非一致性得分分布建模为混合分布，在数据自然发现的簇上实现边际和近似条件有效性，产生更紧的预测区间。
2026-05-27 stat.ME stat.ML
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
On the Out-of-Distribution Coverage of Combining Split Conformal Prediction and Bayesian Deep Learning
The MITRE Corporation（MITRE公司）
本研究探讨贝叶斯深度学习与拆分共形预测结合对多类别图像分类分布外覆盖性的影响，指出模型校准集置信度高低会带来不同效果，实验发现该结合在部分场景下会产生降低分布外覆盖性的意外后果。
2024-03-07 cs.LG stat.ML
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
Kandinsky Conformal Prediction: Beyond Class- and Covariate-Conditional Coverage
Khoury College of Computer Sciences, Northeastern University（东北大学计算机科学学院）；School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院）
本研究提出Kandinsky共形预测框架，突破传统共形预测的覆盖局限，可灵活处理协变量与标签定义的重叠及分数组，统一拓展现有方法并实现极小极大最优高概率条件覆盖界，经真实数据集验证有效。
2025-07-31 cs.LG stat.ML
Conformalized Quantile Regression
共形预测是一种构造预测区间的技术，该预测区间在有限样本中达到有效覆盖，而无需进行分布假设。尽管有这种吸引力，现有的保形方法可能是不必要的保守，因为它们形成的区间恒定或弱变化的长度跨越输入空间。在本文中，我们提出了一种新的方法，是完全适应异方差。它结合了共形预测和经典的分位数回归，继承了两者的优点。我们建立了有效覆盖的理论保证，并在流行的回归数据集上进行了广泛的实验。我们比较了保形分位数回归的效率，其他保形方法，表明我们的方法往往产生较短的间隔。
2019-05-08 stat.ME 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
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
Conformal Prediction for Nonparametric Instrumental Regression
本文提出一种非参数工具变量回归中无分布预测区间构造方法，提供有限样本覆盖保证。基于符合推断的条件保证框架，将条件覆盖转化为IV位移类$\mathcal{F}$上的边际覆盖。方法可与任意NPIV估计器结合，如sieve 2SLS及其他机器学习方法。理论分析建立无分布、有限样本覆盖。
2026-03-26 cs.LG econ.EM stat.AP
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
Conformal Tradeoffs: Operational Profiles Beyond Coverage
Center for Advanced Mathematics in Energy Research Applications（能源研究应用高级数学中心）；Synchrotron Infrared Structural Biology Program（同步辐射红外结构生物学计划）；Molecular Biophysics and Integrated Bioimaging Division（分子生物物理与整合生物成像部）
本文提出SSBC方法，通过校准与审计机制，在有限样本下实现精确覆盖语义，并通过诱导划分揭示制度边界和权衡问题。
2026-03-10 cs.AI cs.LG stat.ME
Universal distribution of the empirical coverage in split conformal prediction
Insper（因斯佩尔学院）
本研究推导了可交换数据下批量拆分共形预测中经验覆盖率及其极限的精确通用分布，该分布仅由名义误覆盖率和校准样本量决定，为应用中校准样本量的选择提供了依据。
2024-09-21 cs.LG math.ST 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
Conformal Prediction and Conditional Coverage for Tabular Foundation Models
Seoul National University（首尔大学）
针对表格基础模型预测区域覆盖不准确的问题，提出C-USIM方法，无需额外训练即可实现有限样本边际有效并降低条件覆盖误差，实验验证其有效性。
2026-09-29 cs.LG stat.ML
Conformal Frequency Estimation using Discrete Sketched Data with Coverage for Distinct Queries
本文提出基于低内存草图的保形推断方法，为大规模离散数据中的查询频率构建置信区间，可兼容多种草图算法并保证对大量不同随机查询的有效覆盖。
2023-08-15 math.ST stat.ME stat.ML
When does conformal calibration need censoring weights? Cause-of-failure prediction sets under competing risks
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Northumbria University（诺森比亚大学）
本文研究竞争风险下共形预测集的校准问题，发现完全案例校准可能偏离名义覆盖率，而正确指定删失模型的权重可恢复覆盖率，并给出有限样本下界。
2026-10-07 stat.ME 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
Shape-Adaptive Conditional Calibration for Conformal Prediction via Minimax Optimization
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（上海交通大学数学科学学院）
本文提出MOPI框架，通过优化灵活的多值映射实现条件覆盖，提升预测集效率，理论证明其收敛性最优。
2026-05-12 stat.ME stat.ML
Characterizing the Training-Conditional Coverage of Full Conformal Inference in High Dimensions
本文研究高维比例渐近机制下全共形回归的训练条件覆盖性质，证明其覆盖率集中于目标值，而简单替代方法存在欠覆盖偏差，并表明该方法在调整正则化水平时冗余，模拟验证了渐近近似的准确性。
2025-02-27 math.ST stat.TH
Conditional Coverage Diagnostics for Conformal Prediction
Sierra team, Inria Paris, France（Inria巴黎研究院法国团队）；Ecole Normale Supérieure, PSL Research University, Paris（巴黎高等师范学院PSL研究大学）；Soda team, Inria Paris-Saclay, France（Inria巴黎-萨克雷分校法国团队）；Departments of EECS（电子工程与计算机科学系）
提出将条件覆盖估计转化为分类问题，通过超额风险度量(ERT)来诊断共形预测的条件覆盖偏差，实验表明使用现代分类器比传统指标具有更高的统计功效。
2026-05-29 cs.AI cs.LG stat.ML
Conformal Prediction under Exponential-Tilt Joint Shift
CROID Research（CROID研究院）；aSSIST University（aSSIST大学）
针对分布偏移下共形预测覆盖率下降问题，研究指数倾斜重加权对齐（ExTRA）与预测倾斜的组合效果，发现倾斜在特定条件下可缩短集合长度，但可能损害覆盖率，何时应用仍待解决。
2026-09-28 cs.LG 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
Weighted Conformal Prediction for Survival Analysis under Covariate Shift
Yonsei University（延世大学）
本文提出了一种加权符合预测方法，用于在协变量偏移下的生存分析，通过理论支持和实验证明其在不同删失水平和偏移情况下的鲁棒性和一致性。
2025-12-03 stat.AP stat.ME
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
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
Ensuring Calibration Robustness in Split Conformal Prediction Under Adversarial Attacks
Michigan State University（密歇根州立大学）
本文研究了在对抗攻击下分割置信预测的鲁棒性，提出通过校准时间攻击强度控制覆盖度，并通过对抗训练提升预测集的紧致性与信息量。
2025-12-22 cs.LG stat.ML
Online Conformal Prediction: Enforcing monotonicity via Online Optimization
University of Michigan（密歇根大学）
本文提出两种新的在线置信预测方法，生成不同置信水平下的嵌套预测集，实现整个风险范围的不确定性量化。方法通过在线优化控制后悔，提高统计效率。
2026-05-12 cs.LG stat.ML
Design-based conformal prediction
本文邀请调查方法学家使用保形预测，在基于设计的有限总体推断框架下将其应用于复杂样本调查数据，并通过模拟和真实数据验证其有限样本覆盖率保证。
2023-07-27 stat.ME stat.ML
Temporal Conformal Prediction (TCP): Rolling Calibration for Financial Risk Forecasting
University of Louisiana at Lafayette（路易斯安那州立大学拉斐特分校）；Presidency College；China Europe International Business School (CEIBS)（中欧国际工商学院）
本文提出TCP框架，结合现代分位数预测器与滚动分割一致性校准层，实现非平稳时间序列中校准的预测区间，通过实验证明其在风险预测中的有效性。
2026-09-20 cs.LG stat.ML
A Few Observations on Sample-Conditional Coverage in Conformal Prediction
本文重新审视了 Conformal Prediction 中的条件有效性问题，证明了 split conformal 方法能以高概率达到接近期望的条件覆盖率，并证明了在留出数据集上进行分位数回归可获得极小化极大最优的近似条件覆盖率保证。
2025-02-28 math.ST stat.TH
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
Efficient and Differentiable Conformal Prediction with General Function Classes
Salesforce Research（赛富时研究院）；UC Berkeley（加州大学伯克利分校）
量化学习任务中的数据不确定性通常通过学习给定输入的标签的预测区间或预测集来完成。学习的预测集的两个常用属性是\emph{valid coverage}和\emph{good efficiency}（例如低长度或低基数）。保形预测是一种用于学习具有有效覆盖的预测集的强大技术，但默认情况下，其保形化步骤仅学习单个参数，并且不会优化更具表达性的函数类的效率。在本文中，我们提出了一个推广的共形预测多个可学习的参数，通过考虑约束的经验风险最小化（ERM）问题，找到最有效的预测集有效的经验覆盖。该元算法推广了现有的共形预测算法，我们表明，它实现了近似的有效人口覆盖率和类内接近最优的效率，只要在一致化步骤中的函数类在一定意义上是低容量的。接下来，这个ERM问题是具有挑战性的优化，因为它涉及到一个不可微的覆盖约束。我们开发了一个基于梯度的算法，它通过使用可微代理损失和拉格朗日近似的原始约束ERM。实验表明，该算法能够有效地学习预测集，并在改进长度的预测区间、用于多输出回归的最小体积预测集和用于图像分类的标签预测集等应用中显著提高了效率。
2022-05-29 cs.AI cs.LG math.ST
