- 熵重新赋权的符合分类
我们提出了一种自适应方法，考虑分类器的不确定性并采用基于熵的重新加权方法，以增强适用于符合分类的预测集的效率。实验结果表明该方法显著提高了效率。
- 分类的一致性得分加权聚合
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。
- 鲁棒而高效的符合预测集
通过限定最坏情况下的一致性得分变化，我们得出能提供更加高效的确保的紧致边界集合，适用于连续和离散（稀疏）数据，并可以应对对特征和标签进行的逃避和污染攻击。
- 元分析与不可信数据
采用即席预测的元分析方法结合大规模观测数据以及相关的科学文献和实际经验来回答因果问题，通过训练能处理异质试验的更丰富模型，以处理元分析中的噪声效应，该论文开创了元分析和循证医学的新领域，以接纳异质性和不可信数据以实现更细致和精确的预测。
- ICLR共形感知图神经网络
加权预测转换模型输出为预测集，保证包含真实标签，在节点 - 分类问题中直接应用，通过修复隐式偏移提供标准的覆盖保证。
- 高斯过程插值与符合预测的方法及比较分析
本文提倡使用符合性预测方法（CP）来增强高斯过程（GP）插值的校准，证明了使用最大似然选择的参数的 GP 模型往往导致预测不是最优校准，在保持 GP 模型准确性的同时，CP 方法可以调整预测区间，实现更好的不确定性量化；我们比较了不同的 C - 数据污染下的分割一致性预测
在数据污染情况下，我们研究了分割型拟合预测的鲁棒性，并通过数值实验验证了这一结果。此外，我们提出了一种称为污染鲁棒拟合预测的调整方法，使用合成和真实数据集验证了我们方法的效力。
- JANET：时间序列的联合自适应预测区域估计
JANET 是一种新的框架，用于构建对单变量和多变量时间序列有效的确定性预测区间，通过控制 K 个家庭类型错误率，实现在特定应用需求下的灵活适应，优于其他方法在多步预测任务上的性能表现，具有可靠解释顺序数据中的不确定性的潜力。
- 基于排名的符合预测集的可信分类
通过使用适用于对标签顺序进行正确预测的分类模型的排名式评分函数，我们提出了一种新颖的符合性预测方法，该方法能够预测一组可能的标签，并获得相应的置信度得分以捕捉不确定性。我们的方法构建了在实现期望覆盖率的同时管理其大小的预测集合，通过对底层分 - 连续处理的因果效应的合规预测
本研究提出了一种新的对连续性处理方法的符合性预测方法，解决了当倾向得分未知且必须从数据中估计时的连续性处理的符合性预测问题，通过考虑倾向度估计引入的额外不确定性来确保预测区间的有效性。
- ConU: 具有正确性覆盖保证的大型语言模型中的符合不确定性
通过从预测集构建的置信度条件中整合正确性对齐的不确定性准则，本研究在自然语言生成任务中，将确定性预测转化为严格的理论保证，从而解决了最近大型语言模型中的异构不确定性问题，并利用抽样不确定性测量方法提高了先前最先进的方法。通过在模型的非固定答 - 置信度预测中的长度优化
研究发展了一种新颖的基于长度优化的一致性预测框架（CPL），能够在不同类别的协变量转移下确保条件有效性，并构建出（接近）最优长度的预测集合，通过广泛的实证评估验证了其在分类、回归和文本相关设置方面相较于最新方法在预测集大小性能方面的优越性。
- 分量可交换性的一致时间序列分解
本文提出了一种新颖的使用具有时间序列分解的符合预测时间序列预测方法，在每个分量上应用特定的符合算法，然后合并所得预测区间，以适应不同分量之间的不同可交换性情况。该分解方法在合成和现实数据上进行了详细讨论和经验评估，发现该方法对结构良好的时间 - 基于传导型图自编码器的拟合装载预测
使用图神经网络 (GNN) 方法进行边权重预测，利用符合性预测调整 GNN 输出并生成有效的预测区间，通过误差重新加权和符合化的分位数回归 (CQR) 处理数据异方差性，与基线技术在真实世界的交通数据集上相比，我们的方法具有更好的覆盖率和效 - 增强标签排序校准的适用于每类覆盖的合拢预测
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。
- 利用特权信息的健壮合拢预测
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 - 基于 Transformer 的时间序列符合预测
利用 Transformer 架构的符合预测方法通过捕捉长期记忆和长程依赖，以 Transformer 解码器作为条件分位数估计器来预测预测残差的分位数，从而估计预测区间，并通过综合实验证明该方法在模拟和真实数据上相较于现有的符合预测方法具 - 用于一致回归的正规流
用标定的数据校准预测模型的不确定性，通过训练标定过程以实现区间的本地化，选择适当的距离度量代替标准预测误差，并通过训练来学习最优度量，从而充分应用于现有的局部适应性标定策略，适用于任何点预测模型。
- ICML具有可证明的拜占庭鲁棒性的联邦共形预测
在分布式数据样本中，介绍了 Rob-FCP 框架用于对付具有恶意客户端的鲁棒联邦一致性预测，理论上证明了 Rob-FCP 的一致性覆盖界限，并展示了 Rob-FCP 在拜占庭场景下与期望覆盖水平渐近接近，同时提出了一个用于估计恶意客户端数量 - 无标签条件下适应分布偏移的适应性符合性预测
通过两种新方法 ECP 和 EACP，根据基模型在未标记测试数据上的不确定性调整 CP 中的评分函数，从而仅使用测试域中的未标记数据改进 CP 生成的预测集的质量。通过对许多大规模数据集和神经网络架构进行广泛实验，我们展示了我们的方法相对于