保形预测
保形预测是一种源自统计学习理论的不确定性量化框架，利用历史校准集残差分布为新预测构造具有有限样本覆盖率保证的置信区间，无需对数据分布做强参数假设，可用于异常检测和模型可靠性评估
时间轴 (近 90 天)
该论文提出了一套部分验证方法（partial verification），能够只验证一部分校准样本却返回与完整验证完全相同的预测集合
保形预测的校准阶段需要大量已验证标签，而标签验证代价高昂，构成实际应用中的成本瓶颈
保形预测（conformal prediction）是目前主流的无分布假设校准方法，能为任意黑盒模型提供统计有效的预测集合
名义上90%的保形预测置信区间在整体数据上实现了90.72%的边际覆盖率，但在事后高需求子集上覆盖率骤降至75.66%
保形预测的覆盖率保证是频率意义上的边际保证，在整体测试集上成立，但不保证在任意子集上成立
若时间序列满足强混合或β-混合条件，可证明标准保形预测的覆盖误差以可控速率收敛，从而在渐近意义上恢复保证
保形预测的覆盖率保证建立在数据可交换性这一前提之上
学界缺乏对深度序列模型在时间序列保形预测中如何系统性发挥作用的研究
单纯的分位数回归不提供覆盖率的有限样本保证，需要结合保形校准步骤才能获得严格统计意义
在真实世界数据集上的实验表明，将深度序列模型融入保形预测框架能提升时间序列预测区间质量，兼顾覆盖率与区间宽度平衡
还有 3 条时间轴事件
全部知识事实 (13)
该论文提出了一套部分验证方法（partial verification），能够只验证一部分校准样本却返回与完整验证完全相同的预测集合
50%待验证保形预测的校准阶段需要大量已验证标签，而标签验证代价高昂，构成实际应用中的成本瓶颈
50%待验证保形预测（conformal prediction）是目前主流的无分布假设校准方法，能为任意黑盒模型提供统计有效的预测集合
50%待验证名义上90%的保形预测置信区间在整体数据上实现了90.72%的边际覆盖率，但在事后高需求子集上覆盖率骤降至75.66%
50%待验证保形预测的覆盖率保证是频率意义上的边际保证，在整体测试集上成立，但不保证在任意子集上成立
50%待验证若时间序列满足强混合或β-混合条件，可证明标准保形预测的覆盖误差以可控速率收敛，从而在渐近意义上恢复保证
50%待验证保形预测的覆盖率保证建立在数据可交换性这一前提之上
50%待验证学界缺乏对深度序列模型在时间序列保形预测中如何系统性发挥作用的研究
50%待验证单纯的分位数回归不提供覆盖率的有限样本保证，需要结合保形校准步骤才能获得严格统计意义
50%待验证在真实世界数据集上的实验表明，将深度序列模型融入保形预测框架能提升时间序列预测区间质量，兼顾覆盖率与区间宽度平衡
50%待验证保形预测是源自统计学习理论的框架，利用历史校准集残差分布为预测构造有限样本覆盖率保证的置信区间，无需强参数假设
50%待验证系统采用自适应保形校准自动确定报警阈值，而非依赖人工经验设定
50%待验证共形预测（Conformal Prediction）无需对数据分布做假设，直接提供具有统计保证的预测区间，在小样本场景下尤具优势
50%