新方法SPACR：单次训练即可生成多置信水平有效预测区间的回归模型
该方法将保形预测整合进可微损失函数，无需按置信水平重训，在表格与图像数据集上区间更窄、计算成本更低。
AI解读：保形预测（CP）能给回归模型输出带统计保证的不确定性区间，但传统做法是训练完再套一层校正，导致模型训练目标和最终要的“窄区间”脱节。SPACR把不确定性学习直接放进可微损失里，训练时同时优化精度、区间宽度和覆盖率，而且不需要事先固定置信水平，也不用拆分数据批次。这意味着训练一次，推理时就能在多个置信水平下给出有效区间，省掉DOICR等方法每换一个置信水平就得重新训练的成本。论文报告SPACR在多种表格和图像数据集上比标准CP和DOICR区间更紧、覆盖率与效率的权衡更好，计算开销也显著下降。对要部署回归模型并需要可靠不确定性边界的工程团队，这个方法的直接价值是减少了调置信水平时的重复训练负担；不过目前证据来自论文实验，具体收益多大还得看复现结果。普通读者暂时不需要采取行动。
法国科研人员提出SPACR（Single-Pass Adaptive Conformal Regressor），一种把保形预测训练目标直接嵌入可微损失函数的回归方法。论文称，单个SPACR模型在推理时可为多个置信水平生成有效的预测区间，无需按置信水平重新训练。
该论文由Soundouss Messoudi、Sylvain Rousseau和Sébastien Destercke撰写，于2026年6月9日提交至arXiv，9月2日更新为v2版本（arXiv:2606.10734v2）。论文归类为机器学习（cs.LG），同时涉及统计学方法（stat.ME）和机器学习统计（stat.ML）。