論文の概要: Conformal PID Control for Time Series Prediction

• arxiv url: http://arxiv.org/abs/2307.16895v1
• Date: Mon, 31 Jul 2023 17:59:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-01 13:03:39.974743
• Title: Conformal PID Control for Time Series Prediction
• Title（参考訳）: 時系列予測のためのコンフォーマルPID制御
• Authors: Anastasios N. Angelopoulos, Emmanuel J. Candes, Ryan J. Tibshirani
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.992151305603265
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of uncertainty quantification for time series prediction, with the goal of providing easy-to-use algorithms with formal guarantees. The algorithms we present build upon ideas from conformal prediction and control theory, are able to prospectively model conformal scores in an online setting, and adapt to the presence of systematic errors due to seasonality, trends, and general distribution shifts. Our theory both simplifies and strengthens existing analyses in online conformal prediction. Experiments on 4-week-ahead forecasting of statewide COVID-19 death counts in the U.S. show an improvement in coverage over the ensemble forecaster used in official CDC communications. We also run experiments on predicting electricity demand, market returns, and temperature using autoregressive, Theta, Prophet, and Transformer models. We provide an extendable codebase for testing our methods and for the integration of new algorithms, data sets, and forecasting rules.
• Abstract（参考訳）: 時系列予測における不確実性定量化の問題を形式的保証を伴う使いやすいアルゴリズムを提供することを目的として検討した。 提案するアルゴリズムは,共形予測と制御理論のアイデアに基づいて構築され,オンライン環境における共形スコアを前向きにモデル化し,季節変化や傾向,一般分布シフトによる体系的誤りの存在に適応することができる。 我々の理論は、オンラインコンフォメーション予測における既存の分析を単純化し強化する。 米国の新型コロナウイルス(COVID-19)死亡数の4週間前予測実験は、CDCの公式通信で使用されるアンサンブル予測よりもカバー範囲が改善していることを示している。 また、自動回帰、Theta、Prophet、Transformerモデルを用いて、電力需要、市場リターン、温度を予測する実験も行います。 メソッドのテストや,新たなアルゴリズムやデータセット,予測ルールの統合のために,拡張可能なコードベースを提供しています。

関連論文リスト

• Conformal Generative Modeling with Improved Sample Efficiency through Sequential Greedy Filtering [55.15192437680943]
  生成モデルは出力に対する厳密な統計的保証を欠いている。 厳密な統計的保証を満たす予測セットを生成する逐次共形予測法を提案する。 このことは、高い確率で予測セットが少なくとも1つの許容可能な(または有効な)例を含むことを保証している。
  論文  参考訳（メタデータ） (2024-10-02T15:26:52Z)
• Conformal online model aggregation [29.43493007296859]
  本稿では,オンライン環境における共形モデルアグリゲーションへの新たなアプローチを提案する。 これは、過去の性能に基づいてモデルの重みが時間とともに適応される投票によって、いくつかのアルゴリズムの予測セットを組み合わせることに基づいている。
  論文  参考訳（メタデータ） (2024-03-22T15:40:06Z)
• Calibration of Time-Series Forecasting: Detecting and Adapting Context-Driven Distribution Shift [28.73747033245012]
  本稿では,コンテキスト駆動分布シフトの検出と適応のための普遍的キャリブレーション手法を提案する。 レジデンシャルベースCDS検出器(Residual-based CDS detector)またはリコンディショナー(Reconditionor)と呼ばれる新しいCDS検出器は、モデルの脆弱性をCDSに定量化する。 高いリコンディショナースコアは、重度の感受性を示し、したがってモデル適応を必要とする。
  論文  参考訳（メタデータ） (2023-10-23T11:58:01Z)
• Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
  本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。 ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。 以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-10-12T08:51:59Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Sequential Predictive Conformal Inference for Time Series [16.38369532102931]
  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。 具体的には,時系列データは交換不可能であり,既存の共形予測アルゴリズムでは適用できない性質を具体的に説明する。
  論文  参考訳（メタデータ） (2022-12-07T05:07:27Z)
• Adaptive Conformal Predictions for Time Series [0.0]
  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。
  論文  参考訳（メタデータ） (2022-02-15T09:57:01Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• 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)
• 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)

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。