一般化与信息化的合拟预测
内容提要
该文综述了共形预测框架在深度学习中量化模型不确定性的研究，涵盖基于概率方法的不确定性量化与可靠边界、结合置信区间训练以缩小预测边界并保障医学诊断准确性、融合算法稳定性界限实现单模型拟合的置信集合、用候选预测集处理开放式分类、以影响函数高效近似共形预测、量化预测集期望大小并给出有限样本分析、针对联邦学习数据异质性构建个性化预测集、用PAC-Bayes理论优化覆盖率与效率，以及基于收缩预测的文本填充与词性预测。
延伸解读
共形预测在深度学习中的定位
文章综述的共形预测框架，核心是为深度模型输出提供具有统计保证的预测集合或区间，从而量化不确定性。与仅给出点预测不同，它强调覆盖率的可靠性，尤其适合医学诊断等高风险场景。读者可将其视为一种“带保证的包装层”，在不改变模型主干的前提下，为预测结果附加可校准的置信边界。
从效率与稳定性看方法演进
综述中多项工作关注预测集大小与计算效率：有的结合算法稳定性界限，用单一模型拟合避免数据分割；有的用影响函数近似共形预测以提升缩放性；还有的量化预测集期望大小并给出有限样本分析。这些方向共同指向一个现实问题——统计保证虽好，但若预测集过大或计算成本过高，实用性会大打折扣。
面向复杂场景的扩展
文章还覆盖了开放式分类、联邦学习与自然语言处理等场景。例如用候选预测集处理开放式分类，在联邦学习数据异质性下构建个性化预测集，以及将收缩预测用于文本填充和词性预测。这表明共形预测正从标准独立同分布假设，向数据不可交换、分布式训练和结构化输出等更贴近实际部署的条件延伸。
理论优化与风险提示
部分研究利用PAC-Bayes理论推导覆盖率和效率的泛化界限，并据此微调模型与评分函数，以在满足测试覆盖率的同时最大化效率。读者需注意，这些保证通常依赖校准数据与特定假设；文章未展开各方法在假设被违反时的表现，实际应用时应关注数据分布变化对覆盖率承诺的影响。
Q&A
Conformal Prediction 在深度学习中主要用来做什么？
Conformal Prediction 框架用于在深度神经网络中表示模型不确定性，提供可靠的边界来计算不确定度，并量化模型预测的置信程度。
如何利用置信区间训练来提升医学诊断等高风险场景的准确性？
通过基于置信区间训练的深度学习模型，可以有效缩小置信边界，同时保证对医学诊断等高风险场景的准确性。
Conformal Prediction 如何解决传统方法无法处理连续未知变量的问题？
将CP技术与经典算法稳定性界限相结合，提出一种置信区间集合，可用单一模型拟合计算，并证明能保证精度，避免了数据分割的需求，从而解决了传统方法无法处理连续未知变量 y_n+1 的瓶颈问题。
在开放式分类任务中，Conformal Prediction 有什么新颖的做法？
通过找到一组有前途的预测候选项而不是单个预测，以适合许多开放式分类任务，实现包含正确答案的高概率，并适用于自然语言处理和药物发现等领域，同时降低预测集的大小和费用摊销。
如何高效近似全面的相合预测方法？
使用影响函数来高效近似全面的相合预测方法，该方法是全面相合预测的一种一致性逼近，并能比主流方法更有效地缩放。
如何量化Conformal Prediction预测集的期望大小？
在拆分一致性预测框架下，通过量化预测集的期望大小来解决预测集大小缺乏有限样本分析和保证的问题，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，该方法的功效得到了验证。
联邦学习中的数据异质性下如何构建个性化预测集合？
提出一种对数据不可交换性建立有效置信区间的新方法，并在联邦学习中的数据异质性下构建个性化预测集合，通过实验验证了该方法的有效性。
如何利用PAC-Bayes理论优化Conformal Prediction的覆盖率和效率？
使用PAC-Bayes理论获得关于集合值预测器的覆盖率和效率的泛化界限，可以直接优化以最大化效率，同时满足所需的测试覆盖率，并利用这些理论结果提供一种利用校准数据对模型和评分函数的参数进行微调，并确保所得预测集的测试覆盖率和效率的实际算法。
基于收缩预测算法的文本填充和词性预测效果如何？
提出基于收缩预测算法的文本填充和词性预测算法，并将其应用于自然语言数据处理中。通过在波士顿语料库中进行仿真实验，结论表明该算法能够生成有效的置信区间，并在机器语音转录中有改进应用。
