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。

该文综述选择性回归与共形预测：提出基于非参数不确定性估计的选择性回归，在69个数据集上优于现有方法；结合共形预测与分位数回归以适应异方差；研究选择性分类在虚假相关下放大群体准确度差异，并训练稳健模型加以改进；基准测试18种基线，发现最优方法取决于用户目标。

本文综述选择性分类研究，通过为深度神经网络引入拒绝选项，在风险可控下提升分类性能，ImageNet 错误率降低2%、覆盖近60%。研究涵盖基于熵的正则化、SelectiveNet、差分隐私、选择性回归与集合，并发现ViT在不确定性估计上表现最优。