論文の概要: Conformal Prediction Intervals with Temporal Dependence
- arxiv url: http://arxiv.org/abs/2205.12940v2
- Date: Thu, 26 May 2022 02:57:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-27 11:04:56.571372
- Title: Conformal Prediction Intervals with Temporal Dependence
- Title（参考訳）: 時間依存を伴う共形予測間隔
- Authors: Zhen Lin, Shubhendu Trivedi, Jimeng Sun
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 40.282423098764404
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cross-sectional prediction is common in many domains such as healthcare,
including forecasting tasks using electronic health records, where different
patients form a cross-section. We focus on the task of constructing valid
prediction intervals (PIs) in time-series regression with a cross-section. A
prediction interval is considered valid if it covers the true response with (a
pre-specified) high probability. We first distinguish between two notions of
validity in such a setting: cross-sectional and longitudinal. Cross-sectional
validity is concerned with validity across the cross-section of the time series
data, while longitudinal validity accounts for the temporal dimension. Coverage
guarantees along both these dimensions are ideally desirable; however, we show
that distribution-free longitudinal validity is theoretically impossible.
Despite this limitation, we propose Conformal Prediction with Temporal
Dependence (CPTD), a procedure which is able to maintain strict cross-sectional
validity while improving longitudinal coverage. CPTD is post-hoc and
light-weight, and can easily be used in conjunction with any prediction model
as long as a calibration set is available. We focus on neural networks due to
their ability to model complicated data such as diagnosis codes for time-series
regression, and perform extensive experimental validation to verify the
efficacy of our approach. We find that CPTD outperforms baselines on a variety
of datasets by improving longitudinal coverage and often providing more
efficient (narrower) PIs.
- Abstract（参考訳）: 横断的な予測は医療など多くの領域で一般的であり、電子健康記録を用いた予測タスクでは、異なる患者が横断する。
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。
予測間隔は、(事前に指定された)高い確率で真の応答をカバーする場合に有効であると考えられる。
我々はまず、このような設定で妥当性の2つの概念を区別する:断面と縦断である。
縦断妥当性は時系列データの横断的妥当性に関係し, 縦断妥当性は時間次元に関係している。
両次元に沿ったカバレッジ保証は理想的には望ましいが,分布のない縦断的妥当性は理論的に不可能であることを示す。
この制限にもかかわらず, 縦断範囲を改善しつつ, 厳密な横断的妥当性を維持できる手法であるcptd (conformal prediction with temporal dependence) を提案する。
cptdはポストホックで軽量であり、キャリブレーションセットが利用可能である限り、任意の予測モデルと併用することができる。
時系列回帰の診断符号などの複雑なデータをモデル化し,提案手法の有効性を検証するための実験的な検証を行うことにより,ニューラルネットワークに注目する。
CPTDは、縦方向のカバレッジを改善し、しばしばより効率的な(より狭い)PIを提供することで、さまざまなデータセットのベースラインを上回ります。
関連論文リスト
- TFT-multi: simultaneous forecasting of vital sign trajectories in the ICU [0.0]
医療データにおける軌道予測は、計算手法の精度ケアと臨床統合において重要な研究領域である。
我々は、多次元時系列予測ツールであるフレームワーク時間融合変換器(TFT)を拡張し、TFT-multiを提案する。
集中治療室で記録された5つのバイタルサイン (血圧, 脈拍, SpO2, 温度, 呼吸速度) の予測にTFT-multiを適用した。
論文 参考訳（メタデータ） (2024-09-23T22:36:37Z) - Anytime-Valid Inference for Double/Debiased Machine Learning of Causal Parameters [27.333679232669823]
ダブル(デバイアス)機械学習(DML)は近年、因果的/構造的パラメータの学習に広く利用されている。
古典的な二重バイアスフレームワークは、所定のサンプルサイズに対してのみ有効である。
これは、巨額の財政コストや人命に関わる大規模な実験研究において特に懸念される。
論文 参考訳（メタデータ） (2024-08-18T21:19:56Z) - Early Prediction of Causes (not Effects) in Healthcare by Long-Term Clinical Time Series Forecasting [11.96384267146423]
臨床変数の時系列予測(TSF)により原因を直接予測することを提案する。
モデルトレーニングは特定のラベルに依存しないため、予測されたデータはコンセンサスベースのラベルを予測するために使用できる。
論文 参考訳（メタデータ） (2024-08-07T14:52:06Z) - Mitigating LLM Hallucinations via Conformal Abstention [70.83870602967625]
我々は,大言語モデルが一般ドメインでの応答をいつ無視すべきかを決定するための,原則化された手順を開発する。
我々は、幻覚率(エラー率)の厳密な理論的保証の恩恵を受けるため、共形予測手法を活用して、禁忌手順を開発する。
実験によって得られた共形禁忌法は, 種々の閉書, オープンドメイン生成質問応答データセットに, 幻覚率を確実に拘束する。
論文 参考訳（メタデータ） (2024-04-04T11:32:03Z) - 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) - Conformal Prediction with Temporal Quantile Adjustments [40.282423098764404]
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。
論文 参考訳（メタデータ） (2022-05-20T03:31:03Z) - 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) - Interval-censored Hawkes processes [82.87738318505582]
本研究では,Hawkesプロセスのパラメータを間隔制限設定で推定するモデルを提案する。
我々は、ホークス族に対する非均質近似が、間隔検閲された設定において牽引可能な可能性を認めている方法を示す。
論文 参考訳（メタデータ） (2021-04-16T07:29:04Z) - 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。