本研究提出了一种轻量级的在线符合性预测方法，旨在解决深度时间序列预测模型在量化预测不确定性方面的挑战。该方法通过预训练模型特征拟合残差预测器，构建有效的置信区间，并利用自适应覆盖控制机制实现覆盖收敛，实验结果验证了其有效性。

本文研究序列变点分析中的一个重要挑战：在检测到变化后进行推断。通过构建未知变点的置信区间，提供了理论合理且实用的序列变点定位工具。

本研究提出了一种统计置信区间方法，以解决功能机器学习技术的可靠性问题。该方法通过构建低维预测误差的嵌套置信集，生成具有覆盖保证的预测集，适用于复杂的科学机器学习模型。

本研究探讨了在统计分析中处理机器学习预测误差的问题，提出了一种适用于非均匀样本的自助法置信区间。该方法在不依赖机器学习模型质量的情况下，能够有效生成置信区间，且其宽度不超过传统方法。

该论文探讨了一种基于历史经验的改造预测方法，适用于生成标签预测。研究提出了结合CP技术与经典算法的置信区间集合，解决了传统方法在处理未知变量时的瓶颈。实验验证了该方法在回归和分类问题中的有效性，并提出了新的校准方法和鲁棒性调整策略。

本研究探讨了在无限期平均奖励强化学习中，利用核岭回归预测期望价值函数的有效性。提出了一种乐观的无遗憾算法，并在核函数假设下建立了新的性能保证，推导出新的置信区间，以支持核基预测在强化学习中的应用。

本研究提出了一种经验贝叶斯估计器，旨在提高大型语言模型在特定主题问答数据集上的准确性。该方法通过平衡直接估计和回归估计，显著降低均方误差，并缩小置信区间，具有广泛应用潜力。

研究提出了一种新的粗化逆倾向评分加权（CIPW）估计器，解决因果推断中因倾向评分误差导致的不稳定性。CIPW估计器在处理不准确倾向评分时，能确保置信区间按$ ext{ε} + 1/ ext{√n}$缩放，显示出改进置信区间估计的潜力。

本研究解决了在机器学习中评估预测模型质量时缺乏有效置信区间方法的问题。通过对13种不同方法的系统比较，该研究提出了一种统一框架，明确了各种组合的可靠性，并识别出推荐的方法。研究结果为后续相关研究提供了基础，并通过在OpenML上发布数据集和在GitHub上提供代码，促进了研究的开展。

本文研究医学影像AI在临床中的表现，指出忽视性能变异性的问题。通过估算未报告的标准差，提供准确的置信区间。研究发现，超过60%的论文中，第二名方法的平均性能在第一名的置信区间内，说明现有研究不足以支持模型的临床应用。

本文探讨了多种少样本学习技术，包括任务自适应特征子空间学习、结合最优传输和原型网络的方法、约束的少样本学习等，并提出了提高模型性能的策略和评估方法。研究表明，使用未标记数据和优化样本选择策略能显著提升少样本学习效果。

本文介绍了一种基于非参数估计的选择模型，利用神经网络逼近现有模型，并扩展内生特征的估计。研究验证了模型的实际应用可行性，提出了有效的置信区间构建方法，并通过实证分析展示了其准确性和多功能性。

本文提出了一种基于线性分位数回归的条件模估计量，分析其渐近分布并构建置信区间。通过蒙特卡洛模拟评估其性能，并应用于联合循环发电厂的电能输出预测。此外，介绍了基于神经不确定性量化的层次化变分框架，以提高视频生成的质量和多样性。研究还提出了基于条件分布模型的健壮预测区间方法，适用于多种预测问题。

本文提出了一种新的预测方法，利用加权分位数和随机化技术应对数据分布漂移，增强模型的鲁棒性。该方法适用于时间序列数据，能够在数据不可交换时提供有效的置信区间，并在多个真实数据集上表现优于现有方法。此外，研究探讨了不确定性量化和运动规划中的应用，并提供了可扩展的代码库以支持新算法的测试。

该论文介绍了一种名为DeepLR的方法，用于构建神经网络的置信区间，强调其在医学预测和天体物理学中的应用价值。研究表明，该方法在不确定性估计方面具有潜力，为未来研究奠定基础。

本文探讨了“符合性预测”框架在人工智能中的应用，强调模型不确定性的重要性。该方法适用于深度学习模型，能够提供可靠的置信区间，增强决策的可靠性。研究表明，在遥感和房地产市场等领域，符合性预测有效处理不确定性，提升模型的透明度和准确性。

本文探讨了模型预测不确定性的自动化估算方法，提出了基于回归的条件独立性测试及其鲁棒性，并介绍了结合深度神经网络（DNN）和XGBoost的集成方法，以提高预测准确性和不确定性估计。研究还涉及医学图像分割和贝叶斯方法在不确定性问题上的应用，展示了不同方法在小数据集上的有效性和性能提升。

从条件概率估计（概率预测）生成信心区预测的简单技术用于标准机器学习算法在 15 个多类数据集上的测试，结果显示约 44％的实验展示了良好校准的信心区预测，其中最近邻算法在所有数据上表现出色，这证明了有效信心区预测在医学诊断方面的实际益处。