Apresentamos um novo método para gerar conjuntos de confiança dentro do framework de previsão conformal dividida. Nosso método realiza uma transformação treinável de qualquer pontuação de conformidade dada para melhorar a cobertura condicional, garantindo ao mesmo tempo cobertura marginal exata. A transformação é baseada em uma estimativa do quantil condicional das pontuações de conformidade. O método resultante é particularmente benéfico para a construção de conjuntos de confiança adaptativos em problemas multi-saída, onde abordagens clássicas de regressão quantílica conformal têm aplicabilidade limitada. Desenvolvemos um limite teórico que captura a influência da precisão da estimativa do quantil na validade condicional aproximada, ao contrário dos limites clássicos para métodos de previsão conformal que oferecem apenas cobertura marginal. Mostramos experimentalmente que nosso método é altamente adaptável à estrutura local dos dados e supera métodos existentes em termos de cobertura condicional, melhorando a confiabilidade da inferência estatística em várias aplicações.
Plassier et al. (Sat,) estudaram essa questão.