本文研究了使用最大预测效率作为优化目标训练归纳一致预测器（inductive conformal predictor）的方法，将对可用于分类的归纳一致预测器进行了特别关注，并在几个真实数据集上进行了测试，结果表明该方法在大多数情况下相对于基线一致预测器具有更高的预测效率。

May, 2021

探究贝叶斯岭回归在满足标准贝叶斯假设的情况下，与等效算法相比，异步共形预测集有效性的要求是否被满足。结果显示，在这种情况下，渐近共形预测集与岭回归预测区间的差异很小。

Apr, 2014

本文提出了一种称为聚类置信预测的方法，该方法通过聚类类，将具有 “相似” 信心得分的类聚合在一起，然后在聚类水平上执行置信预测，进行分类问题中的更强的置信度验证，应用于多分类图像数据集中表现更加优秀。

Jun, 2023

通过引入得分函数的新定义和定义一组特殊的输入变量（conformal safety set），我们分析了可扩展分类器和一致预测之间的相似性，该安全集能够识别满足误差覆盖保证的输入空间模式，即在该集合中，观察到错误（可能不安全）标签的概率受到预定义的 ε 误差水平的限制。通过在网络安全中应用于识别 DNS 隧道攻击，我们展示了该框架的实际影响。我们的工作有助于发展概率稳健可靠的机器学习模型。

Mar, 2024

该论文介绍了通过使用过去的经验来确定新预测的置信水平的改造预测方法，该方法可以应用于任何生成标签预测的方法，并且包括一些数值示例。

Jun, 2007

本研究探究了针对标签噪声的确定性估计方法 ——“conformal prediction” 的鲁棒性。通过理论证明和实验验证，提出了对于正确覆盖未观测噪声的基准真实标签，构建正确的不确定性集合的可能性和条件，并发现除了在数据分布或噪声源方面存在病态的特殊情况外，纠正标签噪声并不必要。在这种情况下，可以在确定性预测算法中纠正有界大小的噪声以确保正确覆盖基准真实标签，而无需直接调整得分或数据稳定性。

Sep, 2022

本文介绍了两个计算效率更高的一类回归问题的概率分布预测方法，分别为 “分裂式 conformal 预测系统” 和 “交叉式 conformal 预测系统”；前者更保证准确性，后者更具预测效率，但其有效性仅在排除过度随机化的情况下成立。

Nov, 2019

本文提出了一种广义的拟合的预测集来解决多可学习参数，通过考虑找到最有效的预测集的约束经验风险最小化问题，从而实现有效的经验覆盖。同时，本文还开发了一种基于梯度的算法来优化这个 ERM 问题以近似有效的覆盖和最优效率。

Feb, 2022

本文研究了如何给定一个机器学习算法家族获得最小的符合性预测区域，提供了两种通用选择算法，考虑到预测区域的覆盖率和宽度特性。

Apr, 2021

介绍了交叉一致性预测方法，它是归纳一致性预测和交叉验证方法的混合，经验上研究了它的有效性和预测效率。

Aug, 2012