分布自由预测中多个风险之间的数据自适应权衡

本文介绍了一种基于黑盒预测器的集值预测方法，适用于多个任务，如分类和图像分割。

研究随机程序的优化问题，提出元优化问题以找到最不保守的预测器，并证明其有唯一解。

提出采用深度强化学习的框架，考虑模型不确定性的风险规避，展示在安全约束任务中的稳健表现。

提出风险规避的训练模型，通过优化最难样本的表现来提高模型的稳定性和可预测性。

建立在鲁棒性预测推断上的不确定性估计模型，使用conformal inference方法进行实证验证。

强调准确的联合预测在广泛决策问题中的重要性，尤其是在组合决策和多臂老虎机问题中。

结合贝叶斯优化与风险控制程序，寻找满足用户风险限制的配置，展示在多种任务中的有效性。

提出基于统计方法的神经网络预测间隔构造方法，提供更准确的预测区间。

针对随机优化问题提出解决方案，通过静态分布的最优决策来应对数据分布变化。

引入具有社会影响的分布自由统计离散度控制，验证方法在毒性评论检测等任务中的有效性。