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
- 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) - Heteroskedastic conformal regression [14.504146200189057]
近年の研究では、分割共形予測は、限界被覆に着目した場合、最先端の予測間隔を生み出すことが示されている。
本稿では,正規化やモンドリアン共形予測などの手法を用いて適応予測区間を構築する方法について,新たな光を当てる。
論文 参考訳(メタデータ) (2023-09-15T11:10:46Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳(メタデータ) (2023-08-03T12:43:21Z) - 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) - A general framework for multi-step ahead adaptive conformal
heteroscedastic time series forecasting [0.0]
本稿では,適応アンサンブルバッチ多出力多出力共形量子化回帰(AEnbMIMOCQR)と呼ばれる新しいモデル非依存アルゴリズムを提案する。
これにより、予測者は、固定された特定された誤発見率に対して、分布のない方法で、複数段階の事前予測間隔を生成できる。
本手法は, 整合予測の原理に基づいているが, データの分割は不要であり, データの交換ができない場合でも, ほぼ正確なカバレッジを提供する。
論文 参考訳(メタデータ) (2022-07-28T16:40:26Z) - 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) - Probabilistic Forecasting with Generative Networks via Scoring Rule
Minimization [5.5643498845134545]
生成ニューラルネットワークを用いて高次元空間上の分布をパラメトリズする。
生成ネットワークをトレーニングし、関心の現象の時間的シーケンスの記録に基づいて、予測順序(または前順序)のスコアリングルールを最小化する。
本手法は,特に確率的キャリブレーションにおいて,最先端の対角法よりも優れている。
論文 参考訳(メタデータ) (2021-12-15T15:51:12Z) - 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) - Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。
提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文 参考訳(メタデータ) (2021-06-07T17:44:49Z) - 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。