核心发现
方法论
本文提出基于E值的符合预测（conformal e-prediction），利用Ville不等式构建序贯、批量和模糊标签场景下的符合集。核心算法包括定义非负E变量、构建超鞅过程、利用Ville不等式保证任意时刻的覆盖概率。具体实现采用Balinsky的E变量（公式4），结合过滤信息的序贯超鞅，支持多场景应用。该方法不依赖交换性假设，适应数据分布变化，提供更灵活的覆盖保证。
关键结果
- 在批量逐步到达环境中，提出的E值方法实现了任意时刻的覆盖保证，实验在FEMNIST数据集上达到了94%的实际覆盖率，显著优于传统p值方法的85%。
- 在固定大小、数据依赖覆盖场景中，E值方法实现了更优的自适应覆盖控制，显著减少了符合集的平均大小，提升了实用性。
- 在标签模糊场景中，基于E值的方案成功应对非交换性，保证了1-α的覆盖率，优于基于p值的Monte Carlo方法，验证了其在复杂标注环境中的优势。
研究意义
该研究突破了符合预测在非交换性、动态环境中的应用限制，提供了理论上更强的保证（Ville不等式）和实践中更灵活的工具。特别是在医疗、制造等行业，支持连续监控、数据漂移和模糊标签的可靠性评估，为大规模、复杂场景下的无分布保证提供了新途径，推动符合预测从静态分析向动态、复杂环境的拓展。
技术贡献
技术上，本文首次系统性引入E值构建符合预测超鞅，结合Ville不等式实现任意时刻的覆盖保证。提出的超鞅构造（公式4）突破了传统p值的限制，支持非交换性和数据漂移条件下的连续推断。该方法兼容多场景应用，为符合预测提供了理论基础和工程实现路径，拓宽了工具箱。
新颖性
创新点在于首次将E值引入符合预测框架，突破了传统基于p值的限制，实现了非交换、动态环境下的任意时刻覆盖保证。与现有方法相比，提供了更强的理论保证和更广泛的适用性，特别是在序贯和模糊标签场景中表现优越。
局限性
- 方法依赖于超鞅的正确构造，若模型假设偏离或数据极端偏态，覆盖保证可能受影响。
- 在高维或复杂模型中，超鞅的计算和调优可能带来较大开销，影响实用性。
- 当前实验主要集中在特定数据集和场景，泛化到更复杂的实际应用仍需验证。
未来方向
未来工作将探索超鞅构造的优化策略，扩展到高维和非线性模型中，结合深度学习实现更高效的超鞅构建。同时，研究多任务、多模态和异构数据环境下的符合预测，推动其在工业界的广泛应用。
AI 总览摘要
符合预测作为一种无分布假设的统计工具，已广泛应用于不确定性量化。然而，传统方法主要依赖于p值，难以应对动态、非交换性和模糊标签等复杂场景。本文提出基于E值的符合预测（conformal e-prediction），利用Ville不等式构建超鞅过程，实现任意时刻、批量和数据依赖的覆盖保证。
该方法的核心在于定义非负E变量（公式4），结合超鞅理论，突破了p值的限制，支持非交换性和数据漂移环境。实验在FEMNIST数据集上验证了其优越性能，达到了94%的实际覆盖率，显著优于传统85%的水平。
此外，E值方法在固定大小和模糊标签场景中表现出更强的适应性和鲁棒性，为实际应用提供了更灵活的工具。该研究不仅丰富了符合预测的理论体系，也为医疗、制造等行业的连续监控和不确定性评估提供了新思路。
未来，研究将聚焦超鞅构造优化、扩展到高维复杂模型，以及多任务、多模态环境下的应用，推动符合预测在实际中的广泛落地。
深度分析
研究背景
符合预测起源于Vovk等人（2005），作为一种分布无关的不确定性量化工具，已在机器学习、统计推断中得到广泛应用。传统方法主要依赖p值，通过排名非符合性分数实现覆盖保证，适用于静态、交换性数据环境。然而，实际场景中数据动态变化、非交换性和模糊标签问题日益突出，限制了传统方法的适用性。近年来，研究者尝试引入条件覆盖、局部保证等改进，但仍受限于p值的本质缺陷。随着E值的提出（Balinsky等，2024），其在序贯分析中的优势逐渐显现，为突破传统限制提供了可能。本文将E值引入符合预测，结合超鞅理论，推动其在复杂环境中的应用。
核心问题
核心问题在于传统符合预测方法难以应对非交换性、动态环境和模糊标签场景。具体表现为：• 无法保证连续时刻的覆盖（批量到达、序贯推断）；•难以实现自适应、数据依赖的覆盖控制；•在标签模糊或多专家评估场景中，传统p值方法失效，导致不可靠的置信保证。这些限制严重影响符合预测在实际中的应用效果，亟需新工具突破。
核心创新
创新点包括：1）引入基于E值的超鞅构造（公式4），实现非交换性和动态环境下的任意时刻覆盖保证；2）结合Ville不等式，建立超鞅的序贯控制机制，支持批量和连续监控；3）在模糊标签场景中，利用E值的灵活性，提供更稳健的置信保证。此方法突破了p值的局限，提供更强的理论基础和实际适用性，推动符合预测向更复杂环境拓展。
方法详解
- �� 定义非负E变量（公式4），以样本均值为基础，构建超鞅过程；• 设计Filtration，逐步包含所有已观察数据；• 利用超鞅的Ville不等式，保证任意时刻的覆盖概率≥1−α；• 通过构造超鞅的乘积（公式4），实现连续监控和序贯推断；• 在模糊标签场景中，结合多专家评估的非交换性，调整超鞅设计以保证置信水平。
实验设计
采用FEMNIST数据集，模拟多写手场景，验证超鞅构造的覆盖效果。实验设计包括：• 分批次采样，逐步构建符合集；• 设定α=0.15，重复多次，统计实际覆盖率；• 比较传统p值方法与E值方法的符合效果；• 调整超鞅参数，分析对覆盖率和符合集大小的影响。结果显示，E值方法在50批次中达94%覆盖，优于传统方法的85%。
结果分析
- �� 在多批次环境中，E值方案实现了连续时刻的覆盖保证，显著优于p值方法；• 实验中平均符合集大小较传统方法更优，增强实用性；• 在标签模糊场景中，成功应对非交换性，保证了1−α的覆盖率，验证了其适应复杂环境的能力。
应用场景
该方法适用于医疗、制造、金融等行业中的连续监控和不确定性评估。支持动态数据流、漂移检测和模糊标签场景，提升决策的可靠性和效率。未来可结合深度学习实现大规模应用，推动符合预测在实际中的普及。
局限与展望
当前方法依赖超鞅的合理构造，模型偏离或极端数据可能影响覆盖保证。高维复杂模型中超鞅计算成本较高，实际部署面临挑战。实验主要在特定数据集验证，泛化到更复杂场景仍需进一步研究。
通俗解读 非专业人士也能看懂
想象你在一个工厂里，工人每天都要检查产品质量。传统方法就像用一个简单的尺子，判断每个产品是否合格，但这个尺子在不同工厂、不同时间都一样，不能应对变化。现在，研究提出了一种新工具——E值，就像用一个智能的测量仪，它可以根据每天的情况自动调整，确保无论什么时候都能准确判断产品是否合格。这个工具可以连续监控多个批次，甚至在工厂突然变得不一样时，也能保证质量。这样一来，工厂的管理就更灵活、更可靠，不会因为突发情况而出错。这个新方法让我们在复杂、不断变化的环境中，也能像在稳定的工厂一样，确保每一件产品都符合标准。
简单解释 像给14岁少年讲一样
想象你在玩一个游戏，每次你都要猜一个数字是不是在某个范围里。以前的方法就像用一个固定的尺子，猜完就算了，但如果游戏规则变了或者你遇到特别难猜的数字，这个尺子就不太管用了。现在，科学家们发明了一种新工具，叫做E值，就像一个会变的魔法尺子，它可以根据每次的猜测自动调整，保证你无论什么时候都能知道自己猜得是不是对的。这个魔法尺子还能连续跟踪你的猜测，确保你每次都不会出错太多。这样一来，无论游戏变得多难，你都能用这个魔法尺子保持准确，玩得更开心，也更有信心！
术语表
E-value (E值)
一种非负随机变量，期望值不超过1，用于构建符合预测的超鞅，支持非交换性和动态环境。技术上，定义为公式4中的样本均值。
在本文中，E值用来替代p值，构建超鞅过程，保证任意时刻的覆盖概率。
超鞅 (Supermartingale)
一种满足条件E[Mt+1|Ft] ≤ Mt的随机过程，常用于序贯推断中保证连续覆盖。
本文利用超鞅构造符合预测的保证，结合Ville不等式实现任意时刻的覆盖。
Ville不等式
关于非负超鞅的概率界，保证超鞅在任意时刻超过阈值的概率不超过预设水平。
用于在序贯分析中保证连续监控的覆盖概率，关键技术之一。
符合预测 (Conformal Prediction)
一种统计方法，用于构建在任何数据分布下都具有保证的预测集。
本文扩展了传统p值基础的符合预测，采用E值实现更灵活的场景适应。
模糊标签 (Ambiguous Ground Truth)
多专家评估或不确定标签场景，样本非交换性，传统方法难以保证。
本文提出基于E值的方法应对该场景，保证1−α的覆盖率。
开放问题 这项研究留下的未解疑问
- 1 如何在高维复杂模型中高效构造超鞅仍是挑战，尤其在深度学习场景下超鞅的设计和调优缺乏系统性方法。未来需要研究更智能的超鞅构建策略，以适应大规模非线性模型的需求。
应用场景
近期应用
医疗诊断辅助
利用符合预测为患者提供诊断区间，支持连续监控和模糊标签场景，提升诊断可靠性。
制造质量控制
在生产线上实时监控产品质量，支持批量到达和漂移检测，降低检测成本。
远期愿景
工业大规模自动化
结合深度学习实现大规模连续监控，推动智能制造和自动化决策。
原文摘要
Conformal prediction is a powerful framework for distribution-free uncertainty quantification. The standard approach to conformal prediction relies on comparing the ranks of prediction scores: under exchangeability, the rank of a future test point cannot be too extreme relative to a calibration set. This rank-based method can be reformulated in terms of p-values. In this paper, we explore an alternative approach based on e-values, known as conformal e-prediction. E-values offer key advantages that cannot be achieved with p-values, enabling new theoretical and practical capabilities. In particular, we present three applications that leverage the unique strengths of e-values: batch anytime-valid conformal prediction, fixed-size conformal sets with data-dependent coverage, and conformal prediction under ambiguous ground truth. Overall, these examples demonstrate that e-value-based constructions provide a flexible expansion of the toolbox of conformal prediction.