4月30日下午，加拿大阿尔伯塔大学的姜蓓副教授受邀到统计学院做题为“CBMA: Improving Conformal Prediction Through Bayesian Model Averaging”的学术报告，学院30余名师生参加，报告由数理统计系系主任安百国教授主持。

报告中，姜蓓教授首先指出，在可交换性的最小假设条件下，共形预测为各类机器学习模型提供了有效的预测推理框架。然而，当贝叶斯模型本身存在误设时，共形预测面临关键挑战：虽然仍能保持频率学覆盖保证，但所得预测区间可能陷入次优状态。针对这一局限，姜教授提出融合贝叶斯模型平均与共形预测的创新方法。该混合框架不仅继承贝叶斯共形预测的优势，更通过模型平均机制引入稳健性保障。随后，姜教授从理论上证明，若候选模型集合包含真实模型，所得预测区间将收敛至最优效率水平。这种在模型不确定性下仍能确保最优性的特性，为不确定性量化提供了更可靠的解决方案。

分享后，与会师生与姜教授就论文中涉及到的理论证明、数据模拟、实际应用等问题展开了热烈的讨论。