本文研究了在稀缺和高度可变环境中，航空图像分类的符合预测方法。通过微调预训练模型，发现符合预测能够在复杂任务中提供有价值的不确定性估计，并强调模型压缩技术在资源受限环境中的潜力。

本研究提出了一种基于置信度的图神经网络模型CF-GNN，利用符合预测方法生成包含真实标签的预测区间。该模型通过拓扑感知输出修正，减少预测集大小，提高预测精度，并探讨了在数据分布变化情况下的鲁棒性和算法优化，强调了不确定性量化在自然语言处理中的重要性。

本研究提出了一种基于置信度的图神经网络模型CF-GNN，利用符合预测方法生成包含真实标签的预测区间。通过新算法SAPS，减少预测集大小并提高覆盖率，同时引入鲁棒性拟合得分以应对带噪声标签的数据。实验结果表明，该方法在医学图像分类中优于现有技术。

本文探讨了一种扩展的符合预测方法，能够在训练和测试数据分布不同的情况下计算预测区间。研究提出了自适应线上学习方法和针对房地产市场的置信区间调整方法，并验证了其在不同地理区域的有效性。此外，提出了一种新颖的符合预测编程方法，解决了具有非线性约束的优化问题，确保边际概率的可行性。

本文综述了符合预测与分位数回归、条件分布模型等结合的研究，旨在构建适应异方差性、无需分布假设且具有效覆盖率的预测区间。方法包括局部加权校准、QOOB算法、分裂拟合及两阶段保险索赔建模，在房地产、医疗等领域预测区间更短、校准更一致。

综述符合预测研究进展，涵盖加权分位数抵御分布漂移、非交换符号风险控制框架应对变化点与时间序列、生成式语言模型公差预测、机器翻译不确定性评估与条件合规预测、联邦学习个性化预测集、top-p采样校准及局部一致性预测，兼顾覆盖率与鲁棒性。

该文综述符合预测的扩展研究，涵盖：符合风险控制过程，可控制任意单调损失函数的期望值；面向不可交换数据的符号风险控制框架，适用于变化点、时间序列和分布漂移；PTS-CRC后期校准方法以生成可靠误差范围；交叉一致性预测的有效性与效率；医学AI中按指定错误率优化预测集大小；将概率鲁棒性调和引入不确定性量化；预测集平均大小的理论上界推导；计算高效的一类回归分布预测方法；结合算法稳定性给出无需数据分割的置信区间；以及深度学习目标检测中符合预测方法的评估。

本研究调查了非参数机器学习模型与符合预测在准确预测房屋价格方面的应用。通过调整置信区间以解决地理区域差异，研究验证了在奥斯陆房地产市场数据集上的性能。结果显示，局部加权版本的非一致性分数可以一致地校准置信区间。模拟研究进一步探索了符合预测在房地产市场数据上的性能。