在成像逆问题中，通过缺失或损坏的测量数据来恢复图像是一个不适定问题，因此我们提出了一种以任务为中心的方法来量化测量和恢复过程中引起的不确定性，其中使用符合性预测构建了一个区间，并保证以用户指定的概率包含真实图像的任务输出，并使用该区间的宽度来量化由测量和恢复产生的不确定性，我们还提出了一种在多轮测量中停止，直到任务的不确定性降至可接受水平的方法，该方法在加速磁共振成像 (MRI) 上进行了验证。

May, 2024

本文研究机器翻译的不确定性评估方法，发现目前大多数方法对模型不确定性的估计较低，建议采用分布自由的合规预测法来保证覆盖度，并提出条件合规预测技术来获得每个数据子组的校准子集，从而实现覆盖率均衡。

Jun, 2023

本文开发了一种符合性方法，用于计算自适应于倾斜数据的非参数回归预测区间，利用黑盒机器学习算法用直方图估计结果的条件分布，将它们转化为具有近似条件覆盖的最短预测区间，数值实验表明，与最先进的相关方法相比，这些结果在有限样本情况下可以得到较好的表现，并且如果黑盒模型一致，则渐近达到条件覆盖和最优长度。

May, 2021

本文提出了基于特征空间的符合性预测方法，利用深度学习的归纳偏差将该方法扩展到语义特征空间，从理论上证明其在温和假设下优于传统方法，并且结合不仅限于普通的符合性预测算法，还可以与其他自适应符合性预测方法结合，从现有的预测推断 benchmark 以及 ImageNet 分类和 Cityscapes 图像分割等大规模任务的实验中证明了该方法的最佳性能。

Oct, 2022

我们开发了一种方法，用于生成预测集，其覆盖率在训练数据中存在缺失或噪声变量等损坏情况下是健壮的。我们的方法基于符合性预测，这是一种强大的框架，用于构建在独立同分布假设下有效的预测集。重要的是，简单地应用符合性预测在这种情况下不能提供可靠的预测，因为由损坏引起的分布偏移。为了考虑到分布偏移，我们假设可以访问特权信息（PI）。特权信息被形式化为解释分布偏移的附加特征，然而，它们仅在训练期间可用，在测试时不可用。我们通过引入一种新的加权符合性预测的广义方法来解决这个问题，并支持我们的方法具有理论上的覆盖率保证。在真实数据集和合成数据集上的实证实验表明，我们的方法实现了有效的覆盖率，并构建了比现有方法更具信息性的预测，这些方法不受理论保证支持。

Jun, 2024

我们提出了一种后续处理、计算轻量级的方法来量化语义图像分割的预测不确定性。我们的方法使用合拢预测生成统计上有效的预测集，以预定义的置信水平保证包含地面真实分割掩模。我们介绍了一种基于热图的合拢化预测的新型可视化技术，并提供了评估其实证有效性的度量标准。我们在著名的基准数据集和图像分割预测模型上展示了我们方法的有效性，并提供了实用的见解。

Apr, 2024

提出了一种名为局部一致性预测的新方法，它可以仅使用新测试样本周围的局部区域来构建置信区间，旨在将数据互换性打破为测试样本赋予特殊角色的情况下，推广了一致性预测方法，并证明了其假设无关与有限样本覆盖保证，并在模拟中比较了局部一致性预测和一致性预测的行为。

Aug, 2019

人工智能系统中使用不可靠的预测会对决策产生负面影响，而基于模型不可知性量化的符合性预测方法可以解决这个问题，特别是在地球观测应用中，该方法可以提供可靠的不确定性信息并增强可靠性。

Jan, 2024

探究贝叶斯岭回归在满足标准贝叶斯假设的情况下，与等效算法相比，异步共形预测集有效性的要求是否被满足。结果显示，在这种情况下，渐近共形预测集与岭回归预测区间的差异很小。

Apr, 2014

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