本文探讨了物理信息的结构性因果模型（PI-SCM）在交通速度预测和流行病传播中的应用，提出了一种自适应推断方法以应对数据变化问题。同时，引入了对标签噪声鲁棒的拟合得分，应用于医学图像分类，显示出优越的预测性能。此外，提出了改进的合拟合预测框架（PLCP），在多个数据集上验证了其在覆盖率和长度方面的优势。

本文探讨了概率鲁棒性调和在机器学习中的应用，提出了一种新方法以优化预测集大小并满足用户指定的错误率。研究验证了物理信息的结构性因果模型在交通速度预测和流行病传播任务中的鲁棒性提升，并介绍了改进的分类器算法和新的预测集生成算法，旨在提高预测的准确性和覆盖率，尤其在医学和网络安全领域具有重要意义。