本研究基于Neyman-Pearson引理重新设计了选择性分类的最优选择函数，提出的新方法显著提升了模型在协变量偏移场景下的性能。

本研究提出了一种新颖的选择性分类方法，利用单边预测松弛技术优化分类准确度与覆盖率的平衡。实证结果表明，该方法在小误差水平下优于现有技术，并探讨了选择性分类在不同群体中的准确度差异。此外，研究还提出了基于熵的正则化器和分布稳健模型，展示了在数据分布变化时的有效性。