論文の概要: Sequential Predictive Conformal Inference for Time Series
- arxiv url: http://arxiv.org/abs/2212.03463v1
- Date: Wed, 7 Dec 2022 05:07:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 15:40:51.645180
- Title: Sequential Predictive Conformal Inference for Time Series
- Title(参考訳): 時系列の逐次予測等式推論
- Authors: Chen Xu, Yao Xie
- Abstract要約: 逐次データ(例えば時系列)に対する分布自由共形予測アルゴリズムを提案する。
時系列データは交換不能であるため、時間的残差に基づく多くの既存共形予測アルゴリズムは適用できない。
- 参考スコア(独自算出の注目度): 16.38369532102931
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a new distribution-free conformal prediction algorithm for
sequential data (e.g., time series), called the \textit{sequential predictive
conformal inference} (\texttt{SPCI}). We specifically account for the nature
that the time series data are non-exchangeable, and thus many existing
conformal prediction algorithms based on temporal residuals are not applicable.
The main idea is to exploit the temporal dependence of conformity scores; thus,
the past conformity scores contain information about future ones. Then we cast
the problem of conformal prediction interval as predicting the quantile of a
future residual, given a prediction algorithm. Theoretically, we establish
asymptotic valid conditional coverage upon extending consistency analyses in
quantile regression. Using simulation and real-data experiments, we demonstrate
a significant reduction in interval width of \texttt{SPCI} compared to other
existing methods under the desired empirical coverage.
- Abstract(参考訳): 逐次データ(例えば時系列)に対する分布自由な共形予測アルゴリズムを新たに提案し,そのアルゴリズムを \textit{sequential predictive conformal inference} (\texttt{SPCI}) と呼ぶ。
具体的には、時系列データが交換不能である性質を特に考慮し、時間的残差に基づく既存の共形予測アルゴリズムは適用できない。
主な考え方は、適合度スコアの時間的依存を利用することであり、したがって過去の適合度スコアは将来のものに関する情報を含む。
そして,予測アルゴリズムを用いて,共形予測区間の問題を将来の残差の量子化を予測した。
理論的には、質的回帰の一貫性解析を拡張することによって漸近的有効条件範囲を確立する。
シミュレーションと実データ実験を用いて, 所望の実験範囲における他の既存手法と比較して, 区間幅が有意に減少することを示す。
関連論文リスト
- Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。
グラフ深層学習演算子に基づく新しい共形予測手法を導入することにより,この空白を埋める。
我々のアプローチは、関連するベンチマークにおいて、正確なカバレッジを提供し、最先端の不確実性定量化をアーカイブする。
論文 参考訳(メタデータ) (2025-02-13T16:12:17Z) - Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。
我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
論文 参考訳(メタデータ) (2024-07-01T20:44:48Z) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳(メタデータ) (2023-09-28T13:04:11Z) - Conformal Prediction with Missing Values [19.18178194789968]
まず,共形予測の限界カバレッジ保証が,不一致分布のインプットデータに当てはまることを示す。
次に、インプットされたデータに基づいてトレーニングされた普遍的に一貫した量子レグレッションアルゴリズムが、ピンボールリスクに対してベイズ最適であることを示す。
論文 参考訳(メタデータ) (2023-06-05T09:28:03Z) - Predictive Inference with Feature Conformal Prediction [80.77443423828315]
本稿では,特徴空間への共形予測の範囲を拡大する特徴共形予測を提案する。
理論的観点からは、特徴共形予測は軽度の仮定の下で正則共形予測よりも確実に優れていることを示す。
提案手法は,バニラ共形予測だけでなく,他の適応共形予測手法と組み合わせることができる。
論文 参考訳(メタデータ) (2022-10-01T02:57:37Z) - Efficient and Differentiable Conformal Prediction with General Function
Classes [96.74055810115456]
本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。
本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。
実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
論文 参考訳(メタデータ) (2022-02-22T18:37:23Z) - Comparing Sequential Forecasters [35.38264087676121]
2つの予測器を考えてみましょう。それぞれが時間とともに一連のイベントを予測します。
オンラインでもポストホックでも、予測と結果がどのように生成されたかの検証不可能な仮定を避けながら、これらの予測をどのように比較すればよいのか?
予測スコアの時間差を推定するための新しい逐次推論手法を提案する。
実世界の野球と天気予報機を比較することで,我々のアプローチを実証的に検証する。
論文 参考訳(メタデータ) (2021-09-30T22:54:46Z) - Conformal histogram regression [15.153110906331737]
本稿では,スキューデータに自動的に適応可能な非パラメトリック回帰の予測間隔を計算するためのコンフォメーション手法を提案する。
ブラックボックス機械学習アルゴリズムを活用して、その出力を近似条件付きの最短予測間隔に変換する。
得られた予測間隔は、ブラックボックスモデルが一貫性のある場合、条件付きカバレッジと最適な長さを達成しながら、有限サンプルにおいて確実に限界カバレッジを有する。
論文 参考訳(メタデータ) (2021-05-18T18:05:02Z) - Conformal prediction for time series [16.38369532102931]
textttEnbPIは、共形予測(CP)と密接に関連しているが、データ交換性を必要としないアンサンブル予測をラップする。
提案手法の有効性を実証するため,広範囲なシミュレーションと実データ解析を行った。
論文 参考訳(メタデータ) (2020-10-18T21:05:32Z) - 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。