論文の概要: Adaptive Conformal Predictions for Time Series
- arxiv url: http://arxiv.org/abs/2202.07282v1
- Date: Tue, 15 Feb 2022 09:57:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-16 13:52:22.418517
- Title: Adaptive Conformal Predictions for Time Series
- Title(参考訳): 時系列の適応的等角予測
- Authors: Margaux Zaffran (EDF R&D, CRISAM, CMAP, PARIETAL), Aymeric Dieuleveut
(CMAP), Olivier F\'eron (EDF R&D, FiME Lab), Yannig Goude (EDF R&D), Julie
Josse (CRISAM, IDESP)
- Abstract要約: アダプティブ・コンフォーマル推論(ACI)は、一般的な依存関係を持つ時系列に対して適切な手順であると主張する。
本稿では,オンラインエキスパートアグリゲーションに基づくACIを適応的に構築するパラメータフリー手法であるAgACIを提案する。
実際のケーススタディとして、電力価格の予測を行います。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Uncertainty quantification of predictive models is crucial in decision-making
problems. Conformal prediction is a general and theoretically sound answer.
However, it requires exchangeable data, excluding time series. While recent
works tackled this issue, we argue that Adaptive Conformal Inference (ACI,
Gibbs and Cand{\`e}s, 2021), developed for distribution-shift time series, is a
good procedure for time series with general dependency. We theoretically
analyse the impact of the learning rate on its efficiency in the exchangeable
and auto-regressive case. We propose a parameter-free method, AgACI, that
adaptively builds upon ACI based on online expert aggregation. We lead
extensive fair simulations against competing methods that advocate for ACI's
use in time series. We conduct a real case study: electricity price
forecasting. The proposed aggregation algorithm provides efficient prediction
intervals for day-ahead forecasting. All the code and data to reproduce the
experiments is made available.
- Abstract(参考訳): 予測モデルの不確実性定量化は意思決定問題において重要である。
共形予測は一般的かつ理論的に正しい答えである。
しかし、時系列を除く交換可能なデータが必要である。
最近の研究はこの問題に取り組みつつ、分布シフト時系列のために開発された適応共形推論(aci, gibbs, cand{\``e}s, 2021)は、一般的な依存性を持つ時系列に対して良い手順であると主張する。
交換可能な自動回帰ケースにおける学習率の効率への影響を理論的に分析する。
本稿では,オンラインエキスパートアグリゲーションに基づくACIを適応的に構築するパラメータフリー手法AgACIを提案する。
時系列におけるACIの活用を提唱する競合手法に対する広範な公正シミュレーションを導いた。
実際のケーススタディとして、電力価格の予測を行います。
提案アルゴリズムは,日頭予測のための効率的な予測間隔を提供する。
実験を再現するためのコードとデータは、すべて利用可能である。
関連論文リスト
- Adaptive time series forecasting with markovian variance switching [1.2891210250935148]
本稿では,オンライン学習理論に基づく分散を推定する新しい手法を提案する。
専門的なアグリゲーション手法を適用して、時間とともにばらつきを学習する。
本手法は, 誤特定に対して頑健であり, 従来の専門家アグリゲーションよりも優れていることを示す。
論文 参考訳(メタデータ) (2024-02-22T16:40:55Z) - Conformal PID Control for Time Series Prediction [10.992151305603265]
時系列予測における不確実性定量化の問題について検討する。
オンライン環境で共形スコアを前向きにモデル化するアルゴリズムを提案する。
また、電力需要、市場リターン、温度を予測する実験も行っています。
論文 参考訳(メタデータ) (2023-07-31T17:59:16Z) - Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。
合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
論文 参考訳(メタデータ) (2023-02-23T18:57:14Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳(メタデータ) (2023-01-08T12:20:46Z) - Conformal prediction set for time-series [16.38369532102931]
不確かさの定量化は複雑な機械学習手法の研究に不可欠である。
我々は,時系列の予測セットを構築するために,ERAPS(Ensemble Regularized Adaptive Prediction Set)を開発した。
ERAPSによる有意な限界被覆と条件被覆を示し、競合する手法よりも予測セットが小さい傾向にある。
論文 参考訳(メタデータ) (2022-06-15T23:48:53Z) - Ensemble Conformalized Quantile Regression for Probabilistic Time Series
Forecasting [4.716034416800441]
本稿では,アンサンブル共形量子化回帰(EnCQR)と呼ばれる新しい確率予測手法を提案する。
EnCQRは、分布のないほぼ妥当な予測間隔(PI)を構築し、非定常およびヘテロセダスティック時系列データに適しており、任意の予測モデルの上に適用することができる。
その結果、EnCQRは量子レグレッションやコンフォメーション予測のみに基づくモデルよりも優れており、よりシャープで、より情報的で、有効なPIを提供することが示された。
論文 参考訳(メタデータ) (2022-02-17T16:54:20Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳(メタデータ) (2022-02-07T21:37:29Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳(メタデータ) (2020-06-19T05:08:43Z) - Drift-Adjusted And Arbitrated Ensemble Framework For Time Series
Forecasting [0.491574468325115]
時系列データの複雑で進化的な性質のため、時系列予測は難しい問題である。
あらゆる時系列データに対して普遍的に有効な方法は存在しない。
そこで本研究では,そのような分布ドリフトを考慮した再重み付け手法を提案する。
論文 参考訳(メタデータ) (2020-03-16T10:21:37Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳(メタデータ) (2020-03-10T09:15:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。