无分布条件预测推断的局限性
本文提出了基于顺应性推断的无分布预测推断的一般框架，并通过分析和比较其两个主要变体：完整顺应性推断和分裂顺应性推断以及相关的 jackknife 法，作出了在统计准确度和计算效率之间的不同权衡。与此同时，本文还发展了一种构建有效样本内预测间隔的方法，称为 “排名为一” 的顺应性推断。本文提出的所有提案的实施都可以使用 R 包 “conformalInference” 进行。
Apr, 2016
本文介绍了两种基于条件密度估计器的协变方法，它们不依赖于有关于目标变量和特征之间依赖关系的强假设，以获得渐近条件覆盖方法：Dist-split 和 CD-split。在广泛的模拟场景中，我们的方法具有更好的条件覆盖控制和比以前提出的方法更小的长度。
Oct, 2019
本研究提出了一种基于条件分布模型（如分位数和分布回归）构建有条件有效的预测区间的健壮方法，可以应用于横截面预测、k 步预测、合成控制和反事实预测、个体治疗效果预测等重要预测问题。
Sep, 2019
在多个环境下进行预测的情况中，我们解决了构建有效置信区间和集合的挑战。通过扩展自助法和分割一致性方法，我们研究了适用于这些问题的两种覆盖类型，展示了如何在这些非传统的分层数据生成场景中获得无分布覆盖。我们还在非实数值响应的设置中进行了扩展，并在这些一般问题中建立了一致性理论。我们演示了一种新的调整方法以适应问题的难度，该方法既适用于具有分层数据的预测推断的现有方法，又适用于我们开发的方法；通过神经化学感应和物种分类数据集，我们评估了方法的实际性能。
Mar, 2024
本文提出了一种建立在鲁棒性预测推断上的不确定性估计模型，使用 conformal inference 方法建立了准确覆盖测试数据分布的预测集，通过估计数据漂移量建立了鲁棒性，并在多个基准数据集上进行了实验证明了该方法的重要性。
Aug, 2020
本文提出了一种自适应的线上学习方法 - 自适应符合推断方法，该方法结合了预测集和符合推断的思想，能够在任何黑箱模型中实现长时间内预期的覆盖概率，从而解决了数据变化扰动的问题。
Jun, 2021
提出了一种基于统计方法的神经网络预测间隔构造方法，旨在解决其他相关研究的局限性，提供更为准确的预测区间并保证预测精度，该方法易于实施且适用于大多数深度神经网络。
May, 2019
本研究利用信息论来将符合预测与其他不确定性概念相联系，并证明了三种不同的方法来上界内在不确定性，同时通过符合预测和信息论不等式的组合，实现了两种直接有用的应用：（i）更规范和有效的符合训练目标，从头开始实现机器学习模型的端到端训练，（ii）将旁路信息纳入符合预测的自然机制。我们在集中式和联邦学习环境中进行了实证验证，并证明了我们的理论结果能够转化为流行的符合预测方法的低效性（平均预测集大小）。
May, 2024