論文の概要: A general framework for multi-step ahead adaptive conformal
heteroscedastic time series forecasting
- arxiv url: http://arxiv.org/abs/2207.14219v1
- Date: Thu, 28 Jul 2022 16:40:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-29 12:04:47.497964
- Title: A general framework for multi-step ahead adaptive conformal
heteroscedastic time series forecasting
- Title(参考訳): 多段階適応型等角性時系列予測のための汎用的枠組み
- Authors: Martim Sousa, Ana Maria Tom\'e, Jos\'e Moreira
- Abstract要約: 信頼性の高い不確実性定量化は不可欠であり、AI結果への信頼を高めるためのステップである。
AEnbMIMOCQRと呼ばれる新しい手法を提案する。
NN5予測競合データセットにおける最先端競争手法との比較を行った。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The exponential growth of machine learning (ML) has prompted a great deal of
interest in quantifying the uncertainty of each prediction for a user-defined
level of confidence. Reliable uncertainty quantification is crucial and is a
step towards increased trust in AI results. It becomes especially important in
high-stakes decision-making, where the true output must be within the
confidence set with high probability. Conformal prediction (CP) is a
distribution-free uncertainty quantification framework that works for any
black-box model and yields prediction intervals (PIs) that are valid under the
mild assumption of exchangeability. CP-type methods are gaining popularity due
to being easy to implement and computationally cheap; however, the
exchangeability assumption immediately excludes time series forecasting.
Although recent papers tackle covariate shift, this is not enough for the
general time series forecasting problem of producing H-step ahead valid PIs. To
attain such a goal, we propose a new method called AEnbMIMOCQR (Adaptive
ensemble batch multiinput multi-output conformalized quantile regression),
which produces asymptotic valid PIs and is appropriate for heteroscedastic time
series. We compare the proposed method against state-of-the-art competitive
methods in the NN5 forecasting competition dataset. All the code and data to
reproduce the experiments are made available
- Abstract(参考訳): 機械学習(ML)の指数的成長は、ユーザ定義の信頼性レベルに対する各予測の不確実性の定量化に多大な関心を惹き付けている。
信頼性の高い不確実性定量化は不可欠であり、AI結果への信頼を高めるためのステップである。
これは、真のアウトプットが高い確率で設定された信頼度内でなければならない高リスク意思決定において特に重要となる。
共形予測 (conformal prediction, cp) は、任意のブラックボックスモデルで動作し、軽度な交換可能性の仮定の下で有効な予測間隔 (pis) を生成する、分布のない不確実性定量化フレームワークである。
CP方式の手法は実装が容易で計算コストも安いことから普及しているが、交換可能性の仮定は直ちに時系列予測を除外する。
最近の論文では共変量シフトに対処しているが、これはH段階の有効PIを生成する一般的な時系列予測問題には十分ではない。
このような目標を達成するために,AEnbMIMOCQR (Adaptive ensemble batch multi-output multi-output conformalized Quantile regression) と呼ばれる新しい手法を提案する。
NN5予測競合データセットにおける最先端競争手法との比較を行った。
実験を再現する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
- When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳(メタデータ) (2023-10-17T20:30:16Z) - Heteroskedastic conformal regression [14.504146200189057]
近年の研究では、分割共形予測は、限界被覆に着目した場合、最先端の予測間隔を生み出すことが示されている。
本稿では,正規化やモンドリアン共形予測などの手法を用いて適応予測区間を構築する方法について,新たな光を当てる。
論文 参考訳(メタデータ) (2023-09-15T11:10:46Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳(メタデータ) (2023-08-03T12:43:21Z) - End-to-End Modeling Hierarchical Time Series Using Autoregressive
Transformer and Conditional Normalizing Flow based Reconciliation [13.447952588934337]
本研究では, 条件付き正規化フローベース自己回帰変換器の整合に基づく, 終端から終端までの時系列予測モデルを提案する。
他の最先端手法とは異なり、明示的な後処理ステップを必要とせずに予測と和解を同時に達成する。
論文 参考訳(メタデータ) (2022-12-28T05:43:57Z) - Scalable Dynamic Mixture Model with Full Covariance for Probabilistic
Traffic Forecasting [16.04029885574568]
時間変化誤差過程に対するゼロ平均ガウス分布の動的混合を提案する。
提案手法は,学習すべきパラメータを数つ追加するだけで,既存のディープラーニングフレームワークにシームレスに統合することができる。
提案手法を交通速度予測タスク上で評価し,提案手法がモデル水平線を改良するだけでなく,解釈可能な時間相関構造も提供することを発見した。
論文 参考訳(メタデータ) (2022-12-10T22:50:00Z) - Distribution-Free Finite-Sample Guarantees and Split Conformal
Prediction [0.0]
分割共形予測は、最小分布自由仮定の下で有限サンプル保証を得るための有望な道を表す。
1940年代に開発された分割共形予測と古典的寛容予測との関連性を強調した。
論文 参考訳(メタデータ) (2022-10-26T14:12:24Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳(メタデータ) (2022-06-16T06:13:53Z) - 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) - AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。
最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。
さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
論文 参考訳(メタデータ) (2020-06-24T23:13:11Z) - 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。