提出了一种基于统计方法的神经网络预测间隔构造方法，旨在解决其他相关研究的局限性，提供更为准确的预测区间并保证预测精度，该方法易于实施且适用于大多数深度神经网络。

May, 2019

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。

May, 2019

本研究提出了一种基于条件分布模型（如分位数和分布回归）构建有条件有效的预测区间的健壮方法，可以应用于横截面预测、k 步预测、合成控制和反事实预测、个体治疗效果预测等重要预测问题。

Sep, 2019

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

通过提出 HQR 模型和 WACI 方法，我们在电力价格预测等复杂时间序列预测场景中评估预测间隔的有效性、效率以及关键特征的满足，克服了仅依靠点预测器构建预测间隔的复杂挑战。

Jun, 2024

研究在线情况下的不确定性量化问题，提出新的自适应后悔最小化算法用于在线共形预测，证明了该方法实现了近似最优的自适应后悔和适当的预测覆盖，同时在时间序列预测和图像分类等实际任务上对现有方法具有明显的优势。

Feb, 2023

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

提供一种新的方法，用于校准具有局部覆盖保证的回归问题的预测区间，该方法基于训练回归树和随机森林的合规得分创建最粗糙的特征空间划分，适用于各种合规得分和预测设置，且在模拟和实际数据集中表现出比现有基准更优的可扩展性和性能。

Feb, 2024

通过最近的完全预测方法 [13, 33]，并利用核回归的经典思想，我们提出了局部有效和区分预测间隔（LVD）的一种简单、高效、轻量级方法，用于为几乎任何 DL 模型构建区分预测间隔（PIs）。我们在各种数据集上进行了实证验证，结果表明，除了是 DL 的唯一局部有效方法外，LVD 还超过或匹配现有不确定性量化方法的性能（包括覆盖率和预测准确性），同时在可扩展性和灵活性方面提供了额外的好处。

Jun, 2021

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