本文探讨了在深度神经网络中表示模型不确定性的 Conformal Prediction 框架，提出了一种新的基于概率方法的模型不确定性量化方法，并提供了可靠的边界用于计算不确定度。

Jun, 2023

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

介绍一种无需分布假设或模型假设，可用于任何预训练模型（如神经网络）生成 100% 正确性置信区间（信赖区间）的方法， 称之为一致预测；并提供了 Python 示例代码和 Jupyter 笔记本来说明此方法在计算机视觉、自然语言处理和深度强化学习等领域上的应用。

Jul, 2021

本文调查了最近的深度学习方面的不确定性量化的研究，特别关注了具有数学特性和广泛适用性的无分布符合预测方法，介绍了相关技术和在时空数据背景下提高校准和效率的方法，并讨论了不确定性量化在安全决策方面的作用。

Sep, 2022

通过进行全面的实验和比较性能分析，我们研究了皮肤病变分类任务中三种不确定性量化方法：Conformal Prediction、Monte Carlo Dropout 和 Evidential Deep Learning，发现 Conformal Prediction 在各种条件下表现出的鲁棒性和一致性，使其成为安全关键应用中决策的首选。

Dec, 2023

该论文提出了一种处理量子机器学习中普遍存在的不确定性的通用方法学，该方法可以在训练数据量有限、量子计算硬件噪声存在的情况下可靠地度量量子模型的不确定，并基于概率共同预测来达到对真实目标的可信度量。

Apr, 2023

在遥感等关键应用中，深度学习模型的黑盒特性使其使用变得复杂。与数据可交换性相关的符合预测是一种能确保信任的方法，可提供有限样本覆盖保证，以用户定义的错误率为形式，确保预测集合包含真实类别。本文展示了符合预测算法与深度学习模型的不确定性相关，并可用于检测模型是否未校准。通过将 Resnet50、Densenet161、InceptionV3 和 MobileNetV2 等常见分类模型应用于遥感数据集，如 EuroSAT，证明在噪声场景下模型的输出变得不可靠。此外，还提出了一种基于模型不确定性和符合预测集合平均大小的未校准检测程序。

May, 2024

这篇论文介绍了一种在在线环境中通过投票将多个算法的预测集合结合起来的方法，从而解决了在 conformal prediction 中的模型选择和 / 或聚合问题。

Mar, 2024

在安全关键的分类任务中，我们提出了一种适用于含有模糊标签的情况的 conformal prediction 框架，在 approximated 的标签的基础上通过近似输入的后验分布来进行不确定性的校准。我们在合成和真实数据集上验证了我们的方法，并在皮肤病学中患者条件分类的案例研究中进行了实证。

Jul, 2023

本文探讨了如何利用符合性预测相结合的深度学习方法，提高医学影像技术在医学决策中的透明性和可靠性，并在皮肤病例分类方面进行了实证研究，认为在患者肤色差异方面可适当改进符合性预测模型。同时，对比了其与认知不确定性的差异。

Sep, 2021