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

本研究提出了将CP与QR结合的预测推理程序，通过对输入协变量作回归来实现对分位函数的预测，借此推出具有本地经验保证的自适应预测间隔，并且证明了与现有方法相比具有相似的效率。

Apr, 2023

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

运用最优输运理论和$c$-凹函数的思想，我们有意义地定义了高维空间流形上的条件向量分位函数（M-CVQFs），从而实现了流形上多元分布的分布自由估计、回归及条件置信集计算。通过初步的合成数据实验，展现该方法的功效和关于非欧几里德分位数的含义的一些见解。

Jul, 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

在这项研究中，我们提出了一种名为放宽量位回归（RQR）的方法，作为量位回归的替代方法，以构建具有提升的可取特性（例如平均宽度）并保留量位回归的重要覆盖保证的区间。

Jun, 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

本研究解决了在高维环境中分位数回归面临的挑战，尤其是当协变量数量超过样本量时。提出了一种新颖的伪贝叶斯框架，结合缩放的学生-t先验和Langevin蒙特卡洛方法，有效地进行高维分位数预测。研究表明，该方法在非渐近优化预测误差和适应未知稀疏性方面具有较强的理论保证，并在模拟和实际数据中表现出竞争力。

Sep, 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