解决观测混杂下的置信预测，提升模型可靠性。

Conformal e-prediction in the presence of confounding

• 引入混杂修正的置信预测方法，适用于有干扰变量的情况。
• 支持独立同分布和部分依赖的数据场景，适应性更强。
• 适合需要高可靠性预测的医学、金融等关键领域应用。

本文将置信e-预测方法扩展至存在观测混杂的情形，即随机变量X与其标签Y之间存在可观测的混淆因素。研究涵盖了数据为独立同分布（IID）的情况，也考虑了允许观测间存在一定依赖关系的场景。该方法在保持预测置信度的同时，有效缓解了混杂带来的偏差，提升了预测结果的可靠性与可解释性。

原文摘要 · Abstract (English)

This note extends conformal e-prediction to cover the case where there is observed confounding between the random object $X$ and its label $Y$. We consider both the case where the observed data is IID and a case where some dependence between observations is permitted.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。