本研究提出了一种新方法生成预测集（GPS），通过结合回归算法，利用样本分布的内在结构，生成有效且小的预测集。实验结果表明，GPS在代码生成和数学题等应用中优于现有方法，显示出显著的有效性。

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。

本文通过理论和实验证明了无视概率值可以减轻在conformal prediction中概率值失配所导致的大预测集的不良影响。提出了一种名为“Sorted Adaptive prediction sets”(SAPS)的新算法，通过丢弃除最大softmax概率以外的所有概率值，生成小型集合并传达逐个实例的不确定性。实验证明SAPS不仅减小了预测集，还提高了预测集的条件覆盖率和适应性。

介绍了一种名为SAPS的新算法，通过丢弃除最大softmax概率以外的所有概率值，最小化非符合度分数对概率值的依赖，生成小型集合并传达逐个实例的不确定性。SAPS具有有限样本覆盖保证，预期集合大小小于APS。实验验证了SAPS减小了预测集，提高了预测集的条件覆盖率和适应性。