本文将拟合预测应用于联邦学习环境，解决了数据异构问题，并提出了适用于联邦学习的局部可交换性概念，从而开发了联邦拟合预测框架（FCP）。实验证明该框架在计算机视觉和医学图像数据集上具有严格的理论保证和良好的经验性能，提供了在分布式和异构环境中结合有意义的不确定性量化的实用方法。

May, 2023

该研究提出将自适应拟合框架结合到联邦学习中，确保预测集的分布自由且提供覆盖担保，可在不需要对模型进行任何其他修改的情况下获得不确定性估计，实验证明本方法在医学影像分类任务中取得了更佳的覆盖度。

Oct, 2021

通过无线通信的设备到服务器的信息交流，提高服务器对新输入进行推断决策的准确性，在有限的通信资源和 / 或大量设备的环境下，无线联合共测性预测 (WFCP) 相对于现有的数字实现具有显著优势。

Aug, 2023

使用最新的神经网络验证方法，基于 VRCP（可验证鲁棒性适应预测）框架，本文提出了一种新的方法，用于恢复在遭受对抗攻击时的预测覆盖率保证，并支持任意范数的扰动和回归任务，实验结果表明，在图像分类和强化学习环境的回归任务中，VRCP 方法达到了超过标称覆盖率的结果，并且比目前最先进的方法更高效且信息量更丰富。

May, 2024

一种对数据不可交换性建立了有效的置信区间的新方法，并在联邦学习中的数据异质性下构建了个性化预测集合，通过实验验证了该方法的有效性。

Dec, 2023

概率鲁棒性调和的效果超过了标准的鲁棒性分类器和对抗性鲁棒性分类器，通过提供候选标签预测集合并对数据和扰动设定两个平行阈值，将概率鲁棒性调和引入到机器学习的不确定性量化框架中。

Jul, 2023

开发了一种新的基于分位数回归的联邦拟合预测方法，考虑到了隐私约束。这种方法利用重要性加权有效地解决了代理之间的标签偏移，并为预测集的有效覆盖和差分隐私提供了理论保证。广泛的实验研究表明，这种方法优于目前的竞争对手。

Jun, 2023

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

该研究提出了一种名为 RSCP + 的新框架，用于在评估中提供可靠的鲁棒性保证，同时提出了两种新的方法 PTT 和 RCT，以减少预测集大小并提供实际的鲁棒性保证。

Apr, 2024

本文讨论了联邦学习中拜占庭机器的对抗攻击问题，提出了一种具有鲁棒性的迭代联邦聚类算法来识别非拜占庭机器的集群成员身份并优化每个集群学习的模型。

Jun, 2023