論文の概要: Conformal Prediction with Temporal Quantile Adjustments

• arxiv url: http://arxiv.org/abs/2205.09940v1
• Date: Fri, 20 May 2022 03:31:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 07:26:28.377670
• Title: Conformal Prediction with Temporal Quantile Adjustments
• Title（参考訳）: 時間的定位調整によるコンフォメーション予測
• Authors: Zhen Lin, Shubhendu Trivedi, Jimeng Sun
• Abstract要約: 断続時系列データに対する回帰のための効率よく有効な予測区間(PI)を構築する手法を開発した。 我々は広範囲な実験を通じてTQAの性能を評価する。
• 参考スコア（独自算出の注目度）: 40.282423098764404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop Temporal Quantile Adjustment (TQA), a general method to construct efficient and valid prediction intervals (PIs) for regression on cross-sectional time series data. Such data is common in many domains, including econometrics and healthcare. A canonical example in healthcare is predicting patient outcomes using physiological time-series data, where a population of patients composes a cross-section. Reliable PI estimators in this setting must address two distinct notions of coverage: cross-sectional coverage across a cross-sectional slice, and longitudinal coverage along the temporal dimension for each time series. Recent works have explored adapting Conformal Prediction (CP) to obtain PIs in the time series context. However, none handles both notions of coverage simultaneously. CP methods typically query a pre-specified quantile from the distribution of nonconformity scores on a calibration set. TQA adjusts the quantile to query in CP at each time $t$, accounting for both cross-sectional and longitudinal coverage in a theoretically-grounded manner. The post-hoc nature of TQA facilitates its use as a general wrapper around any time series regression model. We validate TQA's performance through extensive experimentation: TQA generally obtains efficient PIs and improves longitudinal coverage while preserving cross-sectional coverage.
• Abstract（参考訳）: 時系列データに対する回帰のための効率良く有効な予測間隔(pis)を構築するための一般的な手法であるtqa(temporal quantile adjustment)を開発した。 このようなデータは、econometricsやhealthcareなど、多くのドメインで一般的です。 医療における標準的な例は、生理的時系列データを用いて患者の予後を予測することである。 この設定の信頼性の高いPI推定器は、断面スライスを横断する断面カバレッジと、時系列ごとに時間次元に沿った縦カバレッジという、2つの異なるカバレッジの概念に対処する必要がある。 近年,連続予測(CP)を用いて時系列の文脈でPIを得る手法が研究されている。 しかしながら、両方のカバレッジの概念を同時に扱うものはない。 cp法は通常、キャリブレーションセット上の非共形性スコアの分布から予め規定された分位数をクエリする。 TQAはCPのクエリを$t$ごとに調整し、理論的に地平線で断面と縦の両方をカバーしている。 TQAのポストホック性は、任意の時系列回帰モデルに関する一般的なラッパーとしての使用を促進する。 我々はTQAの性能を広範囲にわたる実験により検証する:TQAは一般的に効率的なPIを取得し、断面被覆を保ちながら縦断被覆を改善する。

関連論文リスト

• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための生成変換器Timer-XLを提案する。 Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Conformal Predictions for Longitudinal Data [0.0]
  縦方向データに対する分布自由な共形予測アルゴリズムであるL PCI(Longitudinal Predictive Conformal Inference)を導入する。 実験の結果,LPCIは経時的カバレッジ率において,既存のベンチマークよりも優れていた。 長手データに対する信頼性予測区間の生成におけるLPCIの頑健な性能は、幅広い応用の可能性を示している。
  論文  参考訳（メタデータ） (2023-10-04T14:51:07Z)
• Deep Spectral Q-learning with Application to Mobile Health [11.736014576781903]
  混合周波数データを扱うためのスペクトルQ-ラーニングアルゴリズムを提案する。 理論的には、推定された最適ポリシーの下での平均回帰が最適ポリシーの下での平均回帰に収束し、その収束率を確立することが証明される。
  論文  参考訳（メタデータ） (2023-01-03T01:55:17Z)
• QuTE: decentralized multiple testing on sensor networks with false discovery rate control [130.7122910646076]
  本稿では、偽発見率(FDR)の証明可能な保証を備えたグラフ上での分散多重仮説検定法を設計する。 異なるエージェントが無向グラフのノードに存在し、各エージェントはそのノードに局所的な1つ以上の仮説に対応するp値を持つ。 各エージェントは、グラフ全体の大域的FDRが予め定義されたレベルで制御されなければならないという共同目的のもと、隣人とのみ通信することで、それぞれのローカル仮説の1つ以上の拒絶を個別に決めなければならない。
  論文  参考訳（メタデータ） (2022-10-09T19:48:39Z)
• Conformal Prediction Intervals with Temporal Dependence [40.282423098764404]
  横断予測は医療などの多くの領域で一般的である。 本稿では,時間列回帰における有効予測区間(PI)を横断的に構築する作業に着目する。
  論文  参考訳（メタデータ） (2022-05-25T17:45:04Z)
• 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)
• Tolerance and Prediction Intervals for Non-normal Models [0.0]
  予測間隔は、繰り返しサンプリングにおいてランダムプロセスから将来の観察をカバーする。 寛容間隔は繰り返しサンプリングにおいて集団パーセンタイルをカバーし、しばしば中心的な量に基づいている。
  論文  参考訳（メタデータ） (2020-11-23T17:48:09Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)

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。