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。

本研究探讨了在无限期平均奖励强化学习中，使用核岭回归预测期望价值函数的问题，提出了一种乐观算法，并建立了无遗憾的性能保证，同时推导出新的置信区间。

本研究提出了一种经验贝叶斯估计器，解决大型语言模型在特定主题问答数据集上高方差的准确性问题。通过平衡直接估计和回归估计，该方法显著提高了模型性能的子群估计精度，降低了均方误差，估计的置信区间更窄。

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。

个性化决策需要了解不同处理方法的结果及其置信区间。研究提出wTCP-DR方法，在隐性混淆下提供反事实结果的置信区间，解决观测与干预分布间的协变量转移问题。理论和实验表明该方法在覆盖率和效率上优于现有方法，适用于推荐系统等场景。

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。

该研究提出了三种方法来量化二分类问题中的不确定性，包括标定、置信区间和预测集，并建立了它们之间的联系。研究还推导了针对固定宽度和统一质量分组的二分类问题的置信区间方法，以及针对流数据和协变量转移的扩展方法。

本文首次探讨了Few-Shot学习中的任务级评估，发现现有的Few-Shot学习基准测试设计不可靠，无法有效地在个别任务上使用方法。

该论文提出了两种结合多重填补模型的新方法，以提高准确性和减少偏差。一种方法利用多个填补模型创建置信区间，并通过阈值筛选低置信度的伪标签。另一种方法通过过滤不准确的数据和找到可靠的子集来减少偏差。实验证明该方法在分类准确性和减少偏差方面优于现有方法。

本研究提出了一种新型的STMGNN-ZINB方法，解决了传统犯罪预测模型在小区域和特定时间段内数据稀疏性的问题。实验证明该方法在现实数据集中的表现优于现有模型，提高了犯罪事件的预测精度及置信区间的准确性。

深度学习模型提高了预测准确性，但预测不确定性评估仍是问题。研究提供了一种非参数自助法，能够区分数据不确定性和优化算法中的噪音，确保生成的置信区间准确。该方法可整合到深度神经网络中，无需干扰训练过程。实例为构建同时置信带的生存数据的深度神经网络。

在现代统计学和机器学习中，条件独立性检验是基础性且具有挑战性的。研究者提出了基于回归的条件独立性测试方法，该方法对模型错误估计具有鲁棒性。实验证明了该方法的有效性。

本研究探讨了随机线性臂问题，研究了稀疏遗憾界在未知系数数目和对手生成动作集的情况下的应用。通过在线转换为置信区间，并结合层级置信区间随机模型选择方法，提出了一种新颖的技术。实验证明，该方法在提高随机线性臂问题的性能方面具有潜力。

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。