SpeedCP

新研究提升了公平性和效率的共形预测

研究人员正在改进共形预测（CP）技术，以提高机器学习中的不确定性量化和公平性。FedCF等新方法旨在将CP扩展到联邦学习场景，实现跨不同子群体的公平性审计。其他进展包括用于时间序列中稳健顺序CP的DistMatch，用于高效基于核的条件CP的SpeedCP，以及用于预测集解耦优化的DCO。此外，正在开发ERT等新的诊断方法，以更好地评估条件覆盖率，并且研究正在探索超越程序性保证的实质性公平性。