論文の概要: Conformal Predictions for Longitudinal Data

• arxiv url: http://arxiv.org/abs/2310.02863v1
• Date: Wed, 4 Oct 2023 14:51:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 14:39:48.278727
• Title: Conformal Predictions for Longitudinal Data
• Title（参考訳）: 縦断データの共形予測
• Authors: Devesh Batra, Salvatore Mercuri, Raad Khraishi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Longitudinal Predictive Conformal Inference (LPCI), a novel distribution-free conformal prediction algorithm for longitudinal data. Current conformal prediction approaches for time series data predominantly focus on the univariate setting, and thus lack cross-sectional coverage when applied individually to each time series in a longitudinal dataset. The current state-of-the-art for longitudinal data relies on creating infinitely-wide prediction intervals to guarantee both cross-sectional and asymptotic longitudinal coverage. The proposed LPCI method addresses this by ensuring that both longitudinal and cross-sectional coverages are guaranteed without resorting to infinitely wide intervals. In our approach, we model the residual data as a quantile fixed-effects regression problem, constructing prediction intervals with a trained quantile regressor. Our extensive experiments demonstrate that LPCI achieves valid cross-sectional coverage and outperforms existing benchmarks in terms of longitudinal coverage rates. Theoretically, we establish LPCI's asymptotic coverage guarantees for both dimensions, with finite-width intervals. The robust performance of LPCI in generating reliable prediction intervals for longitudinal data underscores its potential for broad applications, including in medicine, finance, and supply chain management.
• Abstract（参考訳）: 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LPCI(Longitudinal Predictive Conformal Inference)を提案する。 現在の時系列データのコンフォメーション予測アプローチは、主に不定値の設定に焦点を当てており、従って、縦型データセットの各時系列に個別に適用される場合の横断カバレッジを欠いている。 現在の長手データの現状は、横断的および漸近的な長手カバレッジを保証するために無限大の予測間隔を作成することに依存している。 提案手法は,縦断・横断の両方のカバレッジが無限に広い間隔で保証されることを保証し,この問題に対処する。 提案手法では,残差データを量子的固定効果回帰問題としてモデル化し,トレーニングされた量子的回帰器を用いて予測間隔を構築する。 本研究では,LPCIが有意な断面積範囲を達成し,既存のベンチマークを経時的カバレッジ率で上回っていることを示す。 理論的には,両次元のLPCIの漸近被覆保証を有限幅間隔で確立する。 LPCIの長期データに対する信頼性のある予測間隔の生成における堅牢な性能は、医療、金融、サプライチェーン管理など幅広い応用の可能性を示している。

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)
• 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)
• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。 さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• Conformal Thresholded Intervals for Efficient Regression [9.559062601251464]
  Conformal Thresholded Intervals (CTI) は、カバー範囲が保証された最小限の予測セットを生成することを目的とした、新しいコンフォメーション回帰手法である。 CTIは、その長さに基づいて推定された条件間間隔をしきい値にすることで予測セットを構築する。 CTIは、様々なデータセットにわたる最先端のコンフォメーション回帰手法よりも優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-07-19T17:47:08Z)
• Bayesian Frequency Estimation Under Local Differential Privacy With an Adaptive Randomized Response Mechanism [0.4604003661048266]
  本稿では,局所的な差分プライバシーの下でのカテゴリー分布の適応的オンラインベイズ推定アルゴリズムAdOBEst-LDPを提案する。 ベイズ推定によって過去の民営化データにサブセット選択プロセスを適用することにより、アルゴリズムは将来の民営化データの有用性を向上させる。
  論文  参考訳（メタデータ） (2024-05-11T13:59:52Z)
• Adapting to Length Shift: FlexiLength Network for Trajectory Prediction [53.637837706712794]
  軌道予測は、自律運転、ロボット工学、シーン理解など、様々な応用において重要な役割を果たしている。 既存のアプローチは主に、一般に標準入力時間を用いて、公開データセットの予測精度を高めるために、コンパクトなニューラルネットワークの開発に重点を置いている。 本稿では,様々な観測期間に対する既存の軌道予測の堅牢性を高めるための,汎用的で効果的なフレームワークFlexiLength Network(FLN)を紹介する。
  論文  参考訳（メタデータ） (2024-03-31T17:18:57Z)
• Temporal Performance Prediction for Deep Convolutional Long Short-Term Memory Networks [0.0]
  本稿では,畳み込み型長期記憶ネットワークの予測性能を推定する時間後処理手法を提案する。 この目的のために,セグメントごとの時間セル状態に基づく入力メトリクスを作成し,予測品質を推定するための異なるモデルについて検討する。
  論文  参考訳（メタデータ） (2023-11-13T17:11:35Z)
• 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)
• 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)
• 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。