本文提出了基于顺应性推断的无分布预测推断的一般框架，并通过分析和比较其两个主要变体：完整顺应性推断和分裂顺应性推断以及相关的 jackknife 法，作出了在统计准确度和计算效率之间的不同权衡。与此同时，本文还发展了一种构建有效样本内预测间隔的方法，称为 “排名为一” 的顺应性推断。本文提出的所有提案的实施都可以使用 R 包 “conformalInference” 进行。

Apr, 2016

本文介绍了分布式回归，在不假设误差项和协变量的分布的情况下，证明了当有效维度足够小时（由加倍维度测量），过度的预测风险会以多项式的方式收敛于零。

Feb, 2013

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

本文考虑面向分布无关的预测推断问题，目标是生成有条件而非边缘的预测覆盖保证。我们旨在探索边缘覆盖保证的实际问题，并研究一些能够缓解一些实际关注的条件覆盖性质松弛类型，同时仍能在分布无关的环境下实现。

Mar, 2019

通过在测试时间中进行多次前向传递使用不同模型的现代深度集成技术，在不确定性估计方面取得了强大的性能，但代价是高存储空间和较慢的速度。为了解决这个问题，我们提出了一种名为 Density-Regression 的方法，它利用密度函数在不确定性估计中实现了快速推理，并且只需进行一次前向传递。我们证明它在特征空间上与距离相关，这是神经网络在分布转变下产生高质量不确定性估计的必要条件。经验上，我们对立方体玩具数据集、基准 UCI、时间序列天气预测和实际应用中的深度估计进行实验证明，Density-Regression 在分布转变下具有与现代深度回归器相当的不确定性估计性能，同时使用更小的模型尺寸和更快的推理速度。

Mar, 2024

该论文介绍了一个重新采样框架，用于构建精确、无分布偏差且非渐近保证的真实回归函数置信区间，以适应用户选择的信赖水平，并提出了具体算法以演示该框架。通过数值实验验证了算法，并将其与近似渐近保证的置信椭球进行比较。

Aug, 2023

研究发现现有的分布距离度量方法，例如 Frechetdistance 或 Maximum Mean Discrepancy，不能在分布偏移中可靠地估计模型性能；然而，分类器预测的置信度差异能够成功地估计分类器在各种转移情况下的性能变化，并且在几个现实和具有挑战性的分布转移中有效地减少预测误差近一半（46％），这一方法称为 DoC (Difference of Confidences)。

Jul, 2021

本研究提出了一种基于贝叶斯分布回归模型的神经网络方法，旨在解决现有监督学习方法中对于群体标签的估计存在不确定性的问题，实现了群体大小变化时模型的可靠性和性能的提高，并在玩具数据集和图像预测年龄的挑战性问题上进行验证。

May, 2017

本文提出了一种建立在鲁棒性预测推断上的不确定性估计模型，使用 conformal inference 方法建立了准确覆盖测试数据分布的预测集，通过估计数据漂移量建立了鲁棒性，并在多个基准数据集上进行了实验证明了该方法的重要性。

Aug, 2020

在负责任的机器学习中，显式地对模型性能进行有限样本统计保证是重要的要素。我们引入了一个新的研究领域 —— 具有社会影响的分布自由统计离散度控制，并提出了一个简单而灵活的框架，能够处理比以前更丰富的统计功能类别。我们通过毒性评论检测、医学图像和电影推荐的实验来验证我们的方法。

Sep, 2023