本文介绍了一种改进的共形预测算法，通过投票结合多个算法的预测，解决模型选择和聚合问题。研究提出了新的自适应算法和聚类置信预测方法，提升了分类任务中的置信度验证和预测效率，尤其在处理复杂数据分布时表现优异。

该文综述选择性回归与共形预测：提出基于非参数不确定性估计的选择性回归，在69个数据集上优于现有方法；结合共形预测与分位数回归以适应异方差；研究选择性分类在虚假相关下放大群体准确度差异，并训练稳健模型加以改进；基准测试18种基线，发现最优方法取决于用户目标。

该文综述共形预测在多领域不确定性估计的研究，涵盖联邦学习、机器翻译、医学影像分类、视觉里程计、自动驾驶及地球观测，强调其分布自由与覆盖担保优势，并提出条件共形预测、可视化方法及人机协作实验，证明可提升可靠性与决策辅助效果。

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。

该文综述多种深度学习不确定性量化方法：集成DNN与XGBoost估计预测区间；协作网络近似累积分布函数；DeepLR用似然比构建置信区间；共形预测将点预测转为校准良好的区间；RS-CNN以置信函数处理不确定性；另有替代贝叶斯网络的简单方法、图像重建不稳定性检测及CIPNN处理连续潜在变量等。