标签
本文解决了经验风险最小化对于二元分类是否相对智能的问题，探讨了在未标注数据中具有二次复杂度增长的半监督学习，并证明了某些学习者的不可处理性结果。
本文引入了一种跨模型映射，用于认证必须在协变量偏移下同时满足自动化下限和风险上限的选择性预测器，推导了可行性边界和双资源样本复杂度权衡。
本文提出了一种广义无分布半监督学习框架，通过线性组合组件风险构建无偏风险估计器，将PNU学习扩展到多类分类，同时实现更低方差并提供泛化界限。
介绍了一种有序分类的共形预测方法，该方法使用排序概率分数作为非一致性函数，生成以中位数为中心的连续预测集，并在预测集宽度与有序错误覆盖之间实现了有利平衡。
提出了将分裂共形预测首次应用于基于神经算子的物理模拟，提供了具有有限样本覆盖保证的无分布预测区间，并利用MC Dropout不确定性生成自适应宽度的区间。
本文介绍了LiverRisk，一个用于NAFLD风险预测的机器学习框架，它结合了梯度提升决策树和一致性预测，为个体风险评估提供校准后的无分布覆盖保证，在内部和外部队列上均实现了高AUROC。
介绍Conf-Gen，一个将共形风险控制适配到生成模型的框架，为大语言模型、图像生成器和AI智能体提供形式化的不确定性保证。
PASC提出了一种用于多阶段NLP和LLM流水线的共形预测方法，该方法提供跨所有阶段的有限样本、无分布假设的联合覆盖保证，相比Bonferroni和独立CP等基线方法，实现了更高的经验覆盖率和效率。