保形預測（conformal prediction）

多數不確定性方法給你一個你只能選擇相信的數字。保形預測給你的是一個保證。把它套在任何訓練好的模型外面，對於你選定的錯誤率（例如百分之十），它回傳的不是單一標籤，而是一個預測集或迴歸區間，數學上確定至少有百分之九十的時候會包含真正的答案，除了可交換性之外，對模型與資料分布不作任何假設。

分割（歸納式）配方很簡單：在一個保留的校準集上，依模型衡量每個真標籤有多「不合群」，用一個不符合度分數，例如一減去正確類別的 softmax 機率；取這些分數的經驗 1 減 alpha 分位數；測試時把所有分數落在該門檻以下的標籤都納入。校準點與測試點的可交換性，便對任意底層預測器精確地產生 1 減 alpha 的有限樣本、無分布假設的邊際覆蓋率。

它是事後、與模型無關的，而且日益成為部署時不確定性的實務標準。兩個誠實的提醒：這個保證是邊際的、對輸入平均，而非對每個輸入條件化的，因此在容易的輸入上集合可能過寬、在困難的輸入上可能過窄，APS 與 RAPS 等自適應變體有幫助；而可交換性假設在分布偏移下會破裂，加權與線上保形方法試圖修補這點。