№共形预测·general
共形预测
别名
- 首次出现
- 2026-05-22
- 最近出现
- 2026-07-21
- 累计提及
- 12
§ 01综述
共形预测是一种不依赖模型假设的预测不确定性量化框架，能够为任何预测模型提供具有统计保证的预测集，近年来在机器学习领域受到广泛关注。它通过校准过程确保预测集以指定概率包含真实值，适用于分类和回归任务。
共形预测近期进展
反事实决策中的预测集：研究将共形预测与反事实推理结合，提出在反事实场景下构建具有覆盖保证的预测集的方法，并探讨了最优性与覆盖性的权衡。反事实决策中的预测集：覆盖、最优性与共形预测
分割共形预测的最优策略：针对分割共形预测中的训练-校准数据划分问题，提出了理论上的最优分割方案，提升了预测集效率与稳定性的平衡。分割共形预测中的最优数据分割
局部化共形预测用于视觉语言模型：提出LocCP方法，通过局部化非吻合度分数，显著提升了共形预测在视觉语言模型（如CLIP）图像分类中的适应性，尤其在分布偏移下表现稳健。Localized Conformal Prediction用于VLM图像分类的改进方法
不确定性感知的LLM决策：将共形预测集成到大语言模型（LLM）的决策流程中，使模型能够输出带有校准置信区间的推理结果，增强了安全相关应用中的可靠性。不确定性感知的LLM决策算法研究
当前焦点与观察点
当前共形预测研究的热点集中在三个方面：一是将其与复杂模型（如LLM、视觉语言模型）结合，解决高维输入下的校准效率问题；二是针对时间序列、图结构等特殊数据类型设计专用共形方法（如过滤共形椭球、留窗Jackknife）；三是探索共形预测在安全关键系统（如人机交互、AI监督）中的应用，通过保守校准提供可量化的安全保证。此外，共形预测的理论基础——如最优分割、无分布覆盖性——仍在不断完善，其与因果推断、反事实分析的交叉也呈现出增长趋势。总体而言，共形预测正从标准监督学习场景向更广泛的AI部署环境扩展，成为连接模型输出与可靠决策的关键工具。