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
该论文采用一种名为 Conformal Prediction (CP) 的新型机器学习框架，基于独立同分布的数据，提出了一种扩展传统回归神经网络的方法，将点预测转化为满足所需置信水平的预测区间。作者在四个基准数据集和预测电离层连接中的重要参数之一 —— 总电子含量 (TEC) 的预测问题上进行了实证评估，结果表明该方法产生的预测区间在实践中既具有良好的校准性又足够紧凑。
Dec, 2023
本文提出了一种区分学习框架，它在区间大小预算约束下，优化预期错误率，以构建归纳批处理中的预测区间。通过专注于预期误差，我们的方法允许条件错误率的变异性，这可以提高整体准确性或者减少平均区间大小。虽然我们考虑的问题是回归型的，但我们使用的损失是组合型的，这使我们能够提供 PAC 样式的有限样本保证。
Oct, 2017
本研究探讨了使用非线性决策树模型学习具有被审查或区间值输出数据的回归函数的问题，提出了一种优化边界驱动的判别函数的树学习算法，并在多个数据集上进行了实证研究，证明其具有最先进的速度和预测精度。
本文研究了混合线性回归中带有干扰项的迭代最小残差平方法，提出了 ILTS 的全局算法并在等方差高斯特征下进行评估，结果表明在坏的训练数据设置下，循环拟合最佳样本子集可以确保达到最先进的性能。
Feb, 2019
通过在线协议，本文针对线性回归问题中的预测版本进行了研究，提出了一种预测方法，能够在参数估计之前找到相关的预测间隔，最终得到的错误率符合预期的统计波动性。
Jun, 2009
研究了基于留一残差的预测区间在线性回归模型中的应用，该模型的解释变量个数可以比样本大小还大。在对未知错误分布和高维设计做出最小的假设的情况下，建立了所提出区间的统一渐近有效性。预测区间可适用于许多线性预测器，如强健 M 估计量、James-Stein 类估计量以及像 LASSO 的惩罚估计量。这些结果表明，尽管重新采样程序在对未知参数进行推理时存在严重问题，但留一出方法仍可以成功应用于高维数据，以获得可靠的预测推断。
Feb, 2016
本研究提出了一种基于条件分布模型（如分位数和分布回归）构建有条件有效的预测区间的健壮方法，可以应用于横截面预测、k 步预测、合成控制和反事实预测、个体治疗效果预测等重要预测问题。
Sep, 2019
为了解决深度学习模型不确定性的问题，开发了一种新的方法来构建校准的估计器，通过预测模型和区间估计模型交互，显著提高了回归、时间序列预测和对象定位等任务的效果和校准能力。
解决回归设置中连续目标转移问题的非参数正则化方法 ReTaSA 经过了大量合成和真实数据集的实证研究，证明了方法的有效性。
Jan, 2024