本文介绍一种基于分位数回归和树状结构分类器的符合性预测方法，可以有效解决多分类和多标签问题中难易样本分布不均匀、信心区间过大等挑战，且可以和任何分类模型结合使用并保证有效性。

Apr, 2020

本研究探究了针对标签噪声的确定性估计方法——“conformal prediction”的鲁棒性。通过理论证明和实验验证，提出了对于正确覆盖未观测噪声的基准真实标签，构建正确的不确定性集合的可能性和条件，并发现除了在数据分布或噪声源方面存在病态的特殊情况外，纠正标签噪声并不必要。在这种情况下，可以在确定性预测算法中纠正有界大小的噪声以确保正确覆盖基准真实标签，而无需直接调整得分或数据稳定性。

Sep, 2022

本文旨在解决当前对于确保错误频率的合规性统计保证，且相应预测集的大小对其实用性至关重要，但预测集大小缺乏有限样本分析和保证的问题，通过量化拆分一致性预测框架下预测集的期望大小来解决此不足，并提供一种实用的方法来表示测试和校准数据的不同可能实现的预期预测集大小。实验结果表明，对于回归和分类问题的现实世界数据集，本文的结果的功效得到了验证。

Jun, 2023

在安全关键的分类任务中，我们提出了一种适用于含有模糊标签的情况的conformal prediction框架，在approximated的标签的基础上通过近似输入的后验分布来进行不确定性的校准。我们在合成和真实数据集上验证了我们的方法，并在皮肤病学中患者条件分类的案例研究中进行了实证。

Jul, 2023

通过理论和实验，本文证明了无视概率值可以减轻在conformal prediction中概率值失配所导致的大预测集的不良影响。然后，提出了一种名为“Sorted Adaptive prediction sets” (SAPS)的新算法，其丢弃除最大softmax概率以外的所有概率值，以最小化非符合度分数对概率值的依赖，同时保留不确定性信息，从而生成小型集合并传达逐个实例的不确定性。在理论上，提供了SAPS的有限样本覆盖保证，并证明了SAPS的预期集合大小始终小于APS。广泛的实验验证了SAPS不仅减小了预测集，还显著提高了预测集的条件覆盖率和适应性。

Oct, 2023

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

通过引入得分函数的新定义和定义一组特殊的输入变量（conformal safety set），我们分析了可扩展分类器和一致预测之间的相似性，该安全集能够识别满足误差覆盖保证的输入空间模式，即在该集合中，观察到错误（可能不安全）标签的概率受到预定义的ε误差水平的限制。通过在网络安全中应用于识别DNS隧道攻击，我们展示了该框架的实际影响。我们的工作有助于发展概率稳健可靠的机器学习模型。

Mar, 2024

通过在设定的概率内构建小的预测集合，拟合预测集合可量化网络不确定性。本研究针对带有噪声标签的校准问题，引入了一种对标签噪声具有鲁棒性的拟合得分。通过使用带有噪声标签的数据和噪声水平估算出无噪声的拟合得分，并在测试阶段使用该得分形成预测集合。我们将该算法应用于几个标准医学图像分类数据集，发现我们的方法在预测集合的平均大小方面明显优于当前方法，同时保持所需的覆盖率。

May, 2024

针对不平衡分类任务的一种新的不确定性量化框架，Rank Calibrated Class-conditional CP(RC3P)算法，通过降低预测集大小以实现类条件覆盖，对于每个类别都具有有效的覆盖保证。

Jun, 2024

通过结合多个评分函数来改善相容预测器的性能，提出了一种新方法，通过确定最优权重来最小化预测集大小，实验表明该方法在维持有效覆盖率的同时始终优于单评分相容预测器，为分类任务中提高相容预测的效率和实用性提供了有原则和数据驱动的方法。

Jul, 2024