编辑推荐：
这篇研究论文（非综述）提出了一种基于保形预测（Conformal Prediction, CP）的多传感器分类后融合方法，称为保形后融合（CLF）。与需要假设各传感器p值独立性的传统方法不同，该方法能够学习并考虑p值之间的依赖性，从而在不牺牲覆盖保证的前提下，产生更小、更高效的预测集合，适用于自动驾驶、医疗诊断等高不确定性场景。
本文介绍了一种基于保形p值的保形后融合（CLF）方法，该方法通过学习p值间的依赖性来生成具有置信感知的预测集合。我们的方法在传感器噪声相关的场景中尤其有益，例如自动驾驶汽车、多摄像头机器人或多模态医疗诊断。通过自适应融合p值，与其它p值聚合方法相比，在大多数评估设定中，我们都能以更小的平均集合尺寸维持有效的覆盖。
声明
作者贡献声明
Farbod Siahkali: 文稿审阅与编辑（Writing – review & editing）， 撰写初稿（Writing – original draft）， 验证（Validation）， 方法论（Methodology）， 概念化（Conceptualization）。 Vijay Gupta: 文稿审阅与编辑（Writing – review & editing）， 监督指导（Supervision）， 概念化（Conceptualization）。
利益冲突声明
作者声明以下财务利益/个人关系，可能被视为潜在的利益冲突：
Vijay Gupta报告其获得了美国陆军研究办公室（US Army Research Office）的资助。如果有其他作者，他们声明没有已知的可能影响所报告工作的竞争性财务利益或个人关系。
作者简介
Farbod Siahkali 于2023年获得伊朗德黑兰大学电气工程（控制方向）学士学位。他目前是普渡大学电气与计算机工程专业的博士研究生，在Vijay Gupta教授的指导下进行研究。他的研究兴趣包括保形预测、控制和不确定性量化。
