研究提供不基于数据分布的置信区间用于二分类回归问题，建立置信区间的下限并构建数据量大小无关的求解方法。

Apr, 2020

研究数据无任何分布性假设条件下，针对二分类问题的不确定性量化中的三种方法 —— 标定、置信区间和预测集，建立了连接这三个概念的三角脚架，明确了使用基于评分函数的分类器才能进行无分布标定的必要条件。我们还推导了面向固定宽度和统一质量分组的二分类问题中的无分布概率分组方法的置信区间，这些区间可以导致无分布标定。此外，我们还推导了针对流数据和协变量转移的扩展。

Jun, 2020

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

本文考虑面向分布无关的预测推断问题，目标是生成有条件而非边缘的预测覆盖保证。我们旨在探索边缘覆盖保证的实际问题，并研究一些能够缓解一些实际关注的条件覆盖性质松弛类型，同时仍能在分布无关的环境下实现。

Mar, 2019

本文介绍了分布式回归，在不假设误差项和协变量的分布的情况下，证明了当有效维度足够小时（由加倍维度测量），过度的预测风险会以多项式的方式收敛于零。

Feb, 2013

本研究提出了一种基于贝叶斯分布回归模型的神经网络方法，旨在解决现有监督学习方法中对于群体标签的估计存在不确定性的问题，实现了群体大小变化时模型的可靠性和性能的提高，并在玩具数据集和图像预测年龄的挑战性问题上进行验证。

May, 2017

机器学习算法在实际应用中发展日益复杂，特别是在医学和工程等高风险应用中使用机器学习技术时，预测模型的失败概率至关重要。我们提出了风险评估任务，并侧重于回归算法和计算模型预测的真实标签在一个定义好的区间内的概率。我们通过使用符合预测方法来解决风险评估问题，该方法提供了一定概率内包含真实标签的预测区间。通过该覆盖性质，我们证明了所提方法的近似失败概率是保守的，不低于 ML 算法的真实失败概率。我们进行了大量实验证明了所提方法在存在和不存在协变量转移的问题中的准确性，并重点研究了不同建模方案、数据集大小和符合预测方法学。

Oct, 2023

本文提出了一种建立在鲁棒性预测推断上的不确定性估计模型，使用 conformal inference 方法建立了准确覆盖测试数据分布的预测集，通过估计数据漂移量建立了鲁棒性，并在多个基准数据集上进行了实验证明了该方法的重要性。

Aug, 2020

本文提出离散化的符合预测算法，它们可以保证在计算成本和预测准确性之间提供平衡，适用于在回归问题中构建可以覆盖目标值的预测区间。

Sep, 2017

本文研究了分布回归问题，提出了一种基于再生核希尔伯特空间的简单分析计算的岭回归方法，证明了该方法在两阶段抽样设置下是一致的，并且该估算器能够达到一阶段最小化最优速率。

Nov, 2014