本文提出一种新的针对预测模型的 Conformal prediction 泛化方法，通过引入加权分位数来抵御数据分布漂移的影响，同时设计一种新的随机化技术，允许不对称处理数据点的算法。实验表明，该方法在数据点不可交换的情况下具有较高的鲁棒性，并且在数据点可交换情况下达到了与现有方法相同的覆盖率保证。

Feb, 2022

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

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

本文利用大规模数据集和模型对多种 conformal 方法和神经网络家族的性能进行了实际评估，证明了这些方法在分布转移和长尾设置下的性能严重下降，需要了解这些方法的局限性以在实际应用和安全关键应用中部署

Jul, 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

决策者使用机器学习进行决策时，在预测结果相同的情境下通常会采取相同的行动。符合性预测有助于决策者量化行动的结果不确定性，从而实现更好的风险管理。我们提出了自洽符合性预测，它能够生成既具有 Venn-Abers 校准的预测，又能在模型预测促使的行动条件下保持有效的符合性预测区间。我们的方法可以后期应用于任何黑盒预测模型，为特定行动提供严格的决策保证。数值实验表明我们的方法在区间效率和条件有效性之间取得了平衡。

Feb, 2024

本文提出了基于随机化的方法来拓展符合推理的应用，使其能适用于时间序列数据，并通过引入分块结构来考虑潜在的串行相关性。当数据是独立同分布或更普遍地可交换时，该方法与传统的符合推理方法具有相同的无需模型的有效性；当数据不可交换时，如常见的时间序列数据，该方法在对符合程度得分的弱假设下也具有近似的有效性。

Feb, 2018

本文提出了一种自适应的线上学习方法 - 自适应符合推断方法，该方法结合了预测集和符合推断的思想，能够在任何黑箱模型中实现长时间内预期的覆盖概率，从而解决了数据变化扰动的问题。

Jun, 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

本论文提出一种非交换可行的符号风险控制框架，用于控制数据不可交换情况下的任意单调损失函数的期望值，并通过在测试示例中基于其统计相似性的权重选择，使得我们的框架在存在变化点、时间序列或其他形式的分布漂移时更有用。实验表明我们的方法的实用性。

Oct, 2023