論文の概要: Conformalized Adaptive Forecasting of Heterogeneous Trajectories

• arxiv url: http://arxiv.org/abs/2402.09623v1
• Date: Wed, 14 Feb 2024 23:57:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-16 17:27:44.356812
• Title: Conformalized Adaptive Forecasting of Heterogeneous Trajectories
• Title（参考訳）: 不均一軌道の等角化適応予測
• Authors: Yanfei Zhou, Lars Lindemann, Matteo Sesia
• Abstract要約: 本稿では,新しいランダム軌道の全経路を十分に高い確率でカバーすることを保証された同時予測帯域を生成するための新しいコンフォメーション手法を提案する。 この解はどちらも原則であり、正確な有限サンプル保証を提供し、しばしば以前の方法よりもより情報的な予測をもたらす。
• 参考スコア（独自算出の注目度）: 9.016173836219524
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a new conformal method for generating simultaneous forecasting bands guaranteed to cover the entire path of a new random trajectory with sufficiently high probability. Prompted by the need for dependable uncertainty estimates in motion planning applications where the behavior of diverse objects may be more or less unpredictable, we blend different techniques from online conformal prediction of single and multiple time series, as well as ideas for addressing heteroscedasticity in regression. This solution is both principled, providing precise finite-sample guarantees, and effective, often leading to more informative predictions than prior methods.
• Abstract（参考訳）: 本稿では,新しいランダム軌道の全経路を十分に高い確率でカバーできる同時予測帯域を生成する新しい共形法を提案する。 多様な物体の挙動がほぼ予測不可能な動作計画アプリケーションにおいて、信頼可能な不確実性推定の必要性から、オンラインの単一時系列と複数時系列の共形予測と、回帰における不整合性に対処するアイデアをブレンドする。 この解はどちらも原則であり、正確な有限サンプル保証を提供し、しばしば以前の方法よりもより情報的な予測をもたらす。

関連論文リスト

• Conformalised Conditional Normalising Flows for Joint Prediction Regions in time series [7.200880964149064]
  Conformal Predictionは、機械学習モデルの不確実性を定量化する強力なフレームワークを提供する。 正規化フローのような確率的生成モデルに共形予測を適用することは簡単ではない。 本研究では,条件付き正規化フローを適合させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-26T02:19:13Z)
• Multi-model Ensemble Conformal Prediction in Dynamic Environments [14.188004615463742]
  本稿では,複数の候補モデルから予測セットを作成するために使用されるモデルを選択する適応型共形予測フレームワークを提案する。 提案アルゴリズムは, 有効なカバレッジを維持しつつ, 全区間にわたる強い適応的後悔を達成できることが証明された。
  論文  参考訳（メタデータ） (2024-11-06T05:57:28Z)
• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• Conformalized Interval Arithmetic with Symmetric Calibration [9.559062601251464]
  我々は,複数の目標の和に対する予測区間に対して,単一目標に対する共形予測区間を開発する。 提案手法は, 既存のコンフォメーション手法や非コンフォメーション手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-08-20T15:27:18Z)
• 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)
• 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)
• 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)
• CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
  本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。 我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
  論文  参考訳（メタデータ） (2021-09-07T09:38:24Z)
• Universal Prediction Band via Semi-Definite Programming [4.401255328572734]
  不確実性定量化のための非パラメトリックヘテロスケダスティック予測バンドを構築する方法を提案する。 データ適応予測帯域は、最小分布仮定で普遍的に適用できる。
  論文  参考訳（メタデータ） (2021-03-31T16:30:58Z)
• A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
  多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。 予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-08T11:35:47Z)

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。