本文研究了在线不确定性量化，提出了一种自适应后悔最小化算法，扩展了其在时间序列预测和图像分类等任务中的应用。新方法通过交叉验证和基于Transformer的KNN近似，提高了预测的准确性和效率，有效应对数据变化带来的挑战，展示了在多个领域的应用优势。