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

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

提出了一种名为 MultiDimSPCI 的顺序 CP 方法，其基于多元响应构建预测区域，特别适用于非可交换的多元时间序列，实验证明 MultiDimSPCI 在广泛的多元时间序列上保持有效覆盖，并产生比 CP 和非 CP 基线更小的预测区域。

Mar, 2024

贝叶斯深度学习和符合性预测是两种用于传达不确定性并增强机器学习系统安全性的方法，本文关注将贝叶斯深度学习与拆分符合性预测相结合，并探讨这种组合对于多类图像分类中的带外覆盖的影响。研究结果表明，当模型在校准集上普遍缺乏信心时，所得到的符合性集合可能比简单的预测可信集合显示出更差的带外覆盖；相反，当模型在校准集上过于自信时，采用符合性预测可能提高带外覆盖。我们评估了结合拆分符合方法和使用（i）随机梯度下降，（ii）深度集成和（iii）平均场变分推断训练的神经网络的预测集。研究结果表明，在某些情况下，将贝叶斯深度学习模型与拆分符合性预测相结合可能导致意外后果，例如降低带外覆盖。

Nov, 2023

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

利用一种名为 CCR 的新方法，通过使用模型输出的一系列符合预测间隔来建立模型参数的置信区间，创新地解决了模型参数置信区间构建中的挑战，并在有限样本情景下提供了覆盖保证。

May, 2024

本文旨在解决当前对于确保错误频率的合规性统计保证，且相应预测集的大小对其实用性至关重要，但预测集大小缺乏有限样本分析和保证的问题，通过量化拆分一致性预测框架下预测集的期望大小来解决此不足，并提供一种实用的方法来表示测试和校准数据的不同可能实现的预期预测集大小。实验结果表明，对于回归和分类问题的现实世界数据集，本文的结果的功效得到了验证。

Jun, 2023

本文使用符合预测技术计算功能数据的同时预测带和聚类树。我们使用多个新颖的一致性分数来简化计算，并且在不假设任何分布的情况下，为基础随机过程提供了预测集，并提供信息指向潜在进程的高密度区域。

Feb, 2013

通过神经网络参数化样条估计条件密度的 SPICE 方法是一种新的与可靠统计覆盖保证相容的一致性回归方法，具有普遍逼近和最优性结果，适用于两种高效计算的一致性评分，能够提供较小的平均预测区间并保证最佳条件覆盖。

Nov, 2023