Conformal

Conformal（保形预测，Conformal Prediction）是一类为模型预测提供统计保证的不确定性量化框架：在几乎不对数据分布做假设的前提下，它能保证预测区间或预测集以预设的覆盖率包含真实结果。近年来，随着大模型和智能体系统的落地，如何在输出中附带可靠的不确定性度量成为关键问题，保形方法因此从统计学圈走向更广泛的应用研究。

Conformal Prediction 的近期进展

预测不确定性可控的计算机模型校准方法提出，区间宽度约为 KOH 的 20%：针对计算机模型（仿真模型）校准问题，新方法在保持覆盖率的同时将预测区间宽度压缩到经典 KOH 框架的约 20%，显著提升了不确定性量化的实用精度。

Conformal Prediction 集合大小可作为信息增益度量的理论证明：这项工作从理论上证明预测集合的大小可以作为信息增益的度量，为保形方法在主动学习和实验设计中的应用提供了理论依据。

CLIFT：用保形自验证训练开源网页智能体并替代外部裁判：把保形思想引入网页智能体训练，用自验证机制替代昂贵的外部裁判模型，展示了保形方法在 LLM 智能体中的工程价值。

X-TRACK 引入不确定性建模，改进高速公路轨迹预测：在自动驾驶的轨迹预测任务中融入不确定性建模，让下游规划模块能感知预测的可靠程度，是保形类方法在安全攸关场景的典型应用。

当前焦点与观察点

从近几个月的论文看，保形预测的研究呈现两条主线。一是往新的数据形态和任务上扩展：3D Gaussian Splatting 的视角结构化预测区间（View-Structured Conformal Prediction）、结合 CPS 让单棵树输出超越概率的 ART（ART 人工代表树）、以及用于反事实决策的预测集分析（覆盖、最优性与共形预测）都在探索这一点。

二是与智能体和决策系统结合：TGDT 用预测误差筛选可信上下文以改进 Decision Transformer 的长序列表现（TGDT），CodeRescue 则做了面向编程智能体的预算校准恢复路由（CodeRescue）。值得注意的是，覆盖率保证通常建立在数据可交换性假设上，在分布漂移、时序依赖的智能体环境中如何维持这一保证，仍是该方向最大的争议点和开放问题。

综述

Conformal Prediction 的近期进展

当前焦点与观察点

相关报道