本文提出了新的分位数方法，可以适用于任何回归模型，并允许在校准和锐度之间进行权衡，优化中心区间的校准度，并产生更准确的条件分位数。

Nov, 2020

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

过去几十年，数据分析和机器学习领域的大部分工作都致力于优化预测模型，并取得比现有模型更好的结果。然而，本文指出对于很多应用而言，更加重要的并非准确的预测，而是变异性或不确定性。本文进一步探讨了让每个人了解不确定性、意识到其重要性并学会拥抱而不是害怕不确定性的世界，对一种确定性估计准确性的具体框架——被称为“符合性预测”的框架进行了细致研究。而且，无需对数据进行参数假设，这一非参数结果在渐近程度上也不必依赖大数定律，使得这个框架成为唯一值得称为“无分布假设”的框架。

May, 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

本研究提出了一种新的对连续性处理方法的符合性预测方法，解决了当倾向得分未知且必须从数据中估计时的连续性处理的符合性预测问题，通过考虑倾向度估计引入的额外不确定性来确保预测区间的有效性。

Jul, 2024

本研究解决了传统保形预测在时间序列及其他结构化数据中因数据生成分布不具可交换性而失效的问题。提出的适应性保形推断（ACI）方法虽然声称使用保形预测，但实际上也能利用更简单的置信预测器进行有效操作。研究发现，置信预测器在某些情况下的性能与保形预测器相当甚至更优，提示未来研究需探讨不同方法的适用场景。

Sep, 2024

该研究解决了保形预测在时间序列和结构化数据中的有效性问题，提出自适应保形推断（ACI）作为一种动态调整显著性水平的方法。研究表明，尽管ACI强调保形预测，但实际上更灵活地适用于信心预测，并发现信心预测在某些情况下表现不逊色于保形预测。

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