本文提出基于符合预测理论的推理方法来对生存时间进行预测，可以确保在独立同分布数据的情况下，无需进行其他假设即可产生模拟的选择下限，同时证明其对于不同类型的截尾仍然有效，通过对合成数据和实际 COVID-19 数据的实证研究表明其效力。
Mar, 2021
本文提出了一种新的自适应方法，基于重新缩放符合规范的分数与本地分数分布的估计，解决了不均匀覆盖率的问题，从而在不破坏校准检验可交换性的情况下利用校准数据进行符合规范的评分。该方法提供了一种新型的预测间隔，具有全局覆盖率保证，并且在低数据情况下表现更优，特别适用于需要准确量化不确定因素的实际应用，如医疗保健领域。
May, 2023
本文讨论了个性化生存分布（ISD）模型以及它们与标准模型的区别，探讨了 ISD 模型的评估方法，提出了一种新的方法 D-Calibration，用于确定模型的概率估计是否有意义，并使用这些方法来评估多种 ISD 预测工具。
Nov, 2018
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
本文介绍了一种新的分布校准方法，并提出了采用多输出高斯过程和 Beta 链接函数的方法来改善先前训练的回归模型的预测的后验方法。该方法得到了实验验证，并在分布层和分位数层面上均有所提高。
May, 2019
机器学习系统中风险量化与控制的研究，集中在处理 ML 系统收集自身数据时产生的数据分布变化问题，通过扩展 conformal prediction 理论以适应任意数据分布，并提出了针对特定数据分布的可行算法，以解决这一挑战。
May, 2024
通过将非一致性得分与高斯过程的后验标准差加权，提出了构建自适应交叉一致性预测区间的方法，这些预测区间具有类似于贝叶斯可信区间的适应性水平，并且在没有基础模型假设的情况下具有频率覆盖保证，可以用于评估高斯过程代理模型的质量，并帮助决策者选择最适合特定应用的最佳先验。
Jan, 2024
该研究论文研究了适用于高概率包含真实标签的预测集的不确定性量化技术 - 保形预测。通过实验证明，使用事后校准方法和较小的温度得到的预测集有改进校准，而事后校准方法和较大的温度得到的预测集有改进保形预测性能。论文提出了一种新的 $ extbf {保形温度缩放}$（ConfTS）方法，通过阈值和非规范得分之间的差距调整目标，使 ConfTS 的新目标朝向满足 $ extit {边际覆盖}$ 的最优集合优化温度值。实验表明我们的方法能够有效改进广泛使用的保形预测方法。
Feb, 2024
本文介绍了一种新的预测方法，将 Conformal prediction 和经典的 quantile regression 相结合，使其完全适应异方差性，并且能够在不做分布假设的情况下，建立具有有效覆盖率的预测区间，相比其他 conformal 方法，本文提出的方法具有更高的效率和更短的预测区间。