本文介绍了一种新的预测方法，将 Conformal prediction 和经典的 quantile regression 相结合，使其完全适应异方差性，并且能够在不做分布假设的情况下，建立具有有效覆盖率的预测区间，相比其他 conformal 方法，本文提出的方法具有更高的效率和更短的预测区间。

May, 2019

这篇论文介绍了一种在在线环境中通过投票将多个算法的预测集合结合起来的方法，从而解决了在 conformal prediction 中的模型选择和 / 或聚合问题。

Mar, 2024

本文提出一种新的针对预测模型的 Conformal prediction 泛化方法，通过引入加权分位数来抵御数据分布漂移的影响，同时设计一种新的随机化技术，允许不对称处理数据点的算法。实验表明，该方法在数据点不可交换的情况下具有较高的鲁棒性，并且在数据点可交换情况下达到了与现有方法相同的覆盖率保证。

Feb, 2022

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

介绍一种无需分布假设或模型假设，可用于任何预训练模型（如神经网络）生成 100% 正确性置信区间（信赖区间）的方法， 称之为一致预测；并提供了 Python 示例代码和 Jupyter 笔记本来说明此方法在计算机视觉、自然语言处理和深度强化学习等领域上的应用。

Jul, 2021

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

本文研究缺失值为特征的预测问题，提出了基于缺失数据增广的广义预测方法，可以有效地提高预测效果和抵抗缺失值的影响。

Jun, 2023

本文通过比较两种新提出的置信推断和分位数回归思想相结合的方法，并考虑在样本交换性下如何产生局部自适应和边缘有效的预测区间，证明当一些额外的假定满足时，这两种方法在大样本下是渐进有效的，同时在模拟和真实数据中进行实证比较，结果表明相对于 Kivaranovic 等人 (2019) 的方法，Romano 等人 (2019) 的方法在有限样本中通常产生更紧的预测区间，并最后讨论了如何通过调整用于训练和适应性的相对比例来调整这些程序。

Sep, 2019

采用符合预测方法的分布自由不确定性量化框架，获得具有覆盖保证的深度操作网络回归的置信度预测区间，并通过将符合预测与 Prob-DeepONet 和 B-DeepONet 相结合，有效地量化不确定性，生成严谨的深度操作网络预测的置信度区间，同时设计一种新颖的 Quantile-DeepONet，允许更自然地使用符合预测，被称为符合预测的 Quantile-DeepONet 回归的无分布有效不确定性量化框架，并通过各种常规、偏微分方程数值示例和多保真度学习证明所提出方法的有效性。

Feb, 2024

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