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

本研究探讨 CD-split 当中的调整参数以及其理论性质，最终通过介绍一种新的 CD-split 变体 HPD-split，实现更好的条件覆盖以及更小的预测区间。

Jul, 2020

我们开发了一种在特征空间的所有区域具有用户指定的覆盖水平的预测区间生成方法，称为条件覆盖。我们发现传统的分位数回归可能具有较差的条件覆盖，并通过修改损失函数来解决这个问题，从而提高了实验室中的条件覆盖。

Jun, 2021

介绍了一种基于本地模型性能的条件密度估计模型的本地conformal方法MD-split ，可用于复杂的现实世界数据设置，用于确定X分区，并与其他本地conformal方法进行比较。

Jul, 2021

通过基于 Transformer 网络的 KNN 近似来构建数据驱动的分区，再通过 Inductive Venn 预测器进行校准，从而实现对不确定性的量化和计算机分类模型预测集的标记，进而实现最终任务的目标。

May, 2022

本文研究了如何使用规范预测方法构建自适应预测区间，通过使用归一化和蒙德里安规范预测等方法，在理论和实验结果中进行系统性调查。

Sep, 2023

提供一种新的方法，用于校准具有局部覆盖保证的回归问题的预测区间，该方法基于训练回归树和随机森林的合规得分创建最粗糙的特征空间划分，适用于各种合规得分和预测设置，且在模拟和实际数据集中表现出比现有基准更优的可扩展性和性能。

Feb, 2024

我们开发了一种新方法来创建预测集，它结合了符合性方法的灵活性和条件分布P（Y | X）的估计。我们的方法扩展了现有方法，实现了条件覆盖，这对许多实际应用至关重要。我们提供了非渐近界限，明确依赖于对条件分布的可用估计的质量，使得我们的置信集在数据的局部结构上高度自适应，特别适用于高异方差情况。通过广泛的模拟，我们证明了我们的方法的有效性，显示其在条件覆盖和统计推断的可靠性方面优于现有方法，在各种应用中提高了统计推断的可靠性。

Jul, 2024

本研究针对传统的保形预测方法在条件覆盖保证方面的不足，提出了一种新算法以改善条件覆盖。通过建立条件覆盖与名义覆盖率之间的失误覆盖差界限，提供了一个端到端的算法，实证结果表明该方法在合成和真实数据集上表现出色。

Sep, 2024

该研究针对传统分位回归方法在处理异方差、多模态或偏斜数据时所面临的量化误差和维数诅咒问题，提出了一种新的合规高密度分位回归方法。该方法通过动态调整原型集，优化量化过程，确保在高概率密度区域提供有效的覆盖保障，实验结果显示其在预测质量、覆盖范围和鲁棒性上优于现有方法，且在高维数据中表现出更好的可扩展性。

Nov, 2024