#共形预测

做共形预测或不确定性量化的理论党看这篇：CQR 的误差界和 covariate shift 下的极小极大极限都齐了。

欺诈检测要控制误报和漏报，这篇论文的ProtoCP把共形预测用在了时序图上，四个基准上都比现有方法预测集更小，做风控的可以看看。

ConformalShift 攻击心电监测，不改波形和标签，只重排真实事件顺序，成功率从 4.4% 提到 66.7%。

这论文用海量实验证明，碰到严重不平衡数据时，传统预测区间会漏掉少数类，Mondrian CP加弃权能大幅提升覆盖率和成本效益，做高风险决策的值得看。

这篇论文解决了决策中如何利用预测不确定性的难题，提出的PC-RACP方法在实验中比现有方法效用更高，值得搞决策优化的同学看看。

这篇论文教你怎么分割数据能让预测区间更短，覆盖了线性回归、神经网络等常见模型，有实操方法。

这篇论文发现直接用余弦相似度搞局部共形预测效果一般，但换个非线性变换后，预测集变小了，值得做VLM不确定性量化的看看。

这篇论文教大模型在不确定时怎么选策略，辅导学生或写评审都管用，贝叶斯方法比保守方法更聪明。

这篇给时间序列预测搞了新套路，用过滤共形椭球比静态协方差更准，在交通数据集上效果更锐利。

做交互式机器人安全验证的团队终于有了兼顾宽松性和形式化保证的方法——BeliefSF结合共形预测，在减少保守性的同时保持样本效率，做自动驾驶或人机协作的开发者值得关注。

时间序列预测的置信区间一直是个难题，做时序建模的团队可以试试LWO——它比分割法更高效，也比原始Jackknife更可靠，值得在ARIMA或LSTM上跑一跑。

该工作将图拓扑显式融入共形预测的局部化过程，解决了图场景下传统方法嵌入邻近性不可靠的问题，为图神经网络的可靠不确定性量化提供了新方案，对需要鲁棒预测的图应用（如分子性质预测、社交网络分析）具有实用价值。