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
- Loss Shaping Constraints for Long-Term Time Series Forecasting [86.6877920044998]
本稿では,長期時系列予測のための制約付き学習手法を提案する。
提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-02-14T18:20:44Z) - 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) - 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) - UTOPIA: Universally Trainable Optimal Prediction Intervals Aggregation [6.939768185086753]
本稿では,予測帯域の平均幅を最小化するために,複数の予測区間を集約する手法を提案する。
我々のアプローチは、実装が容易な線形あるいは凸プログラミングに基づいている。
論文 参考訳(メタデータ) (2023-06-28T20:38:37Z) - Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。
時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。
我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。
提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
論文 参考訳(メタデータ) (2022-10-02T06:58:49Z) - 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) - 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) - Predicting Multi-Antenna Frequency-Selective Channels via Meta-Learned
Linear Filters based on Long-Short Term Channel Decomposition [39.38412820403623]
我々は、転送/ミータ学習2次正規化に基づく単一アンテナ周波数平坦チャネルの予測器を開発する。
LSTDに基づく予測モデルのためのトランスファーアルゴリズムとメタラーニングアルゴリズムを導入する。
論文 参考訳(メタデータ) (2022-03-23T20:38:48Z) - 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。