論文の概要: Conformal prediction for multi-dimensional time series by ellipsoidal
sets
- arxiv url: http://arxiv.org/abs/2403.03850v1
- Date: Wed, 6 Mar 2024 16:55:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 14:24:02.814614
- Title: Conformal prediction for multi-dimensional time series by ellipsoidal
sets
- Title(参考訳): 楕円集合による多次元時系列の等角予測
- Authors: Chen Xu, Hanyang Jiang, Yao Xie
- Abstract要約: コンフォーマル予測(CP)は、分布のない、モデルに依存しない、理論的に健全であるため、不確実性定量化の一般的な方法である。
本研究では,多変量応答の予測領域を構築するために,$textttMultiDimS PCI$という逐次CP手法を開発した。
- 参考スコア(独自算出の注目度): 10.61111658749199
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conformal prediction (CP) has been a popular method for uncertainty
quantification because it is distribution-free, model-agnostic, and
theoretically sound. For forecasting problems in supervised learning, most CP
methods focus on building prediction intervals for univariate responses. In
this work, we develop a sequential CP method called $\texttt{MultiDimSPCI}$
that builds prediction regions for a multivariate response, especially in the
context of multivariate time series, which are not exchangeable. Theoretically,
we estimate finite-sample high-probability bounds on the conditional coverage
gap. Empirically, we demonstrate that $\texttt{MultiDimSPCI}$ maintains valid
coverage on a wide range of multivariate time series while producing smaller
prediction regions than CP and non-CP baselines.
- Abstract(参考訳): 共形予測(cp)は分布のない、モデル非依存、理論的に健全であるため、不確実性定量化の一般的な方法である。
教師あり学習における予測問題に対して、ほとんどのCP手法は単変量応答の予測区間の構築に重点を置いている。
本研究では,多変量応答の予測領域を構築する$\texttt{multidimspci}$と呼ばれる逐次cp法を開発した。
理論的には、条件付きカバレッジギャップの有限サンプル高確率境界を推定する。
実証的に、$\texttt{MultiDimSPCI}$は、CPや非CPのベースラインよりも小さな予測領域を生成しながら、幅広い多変量時系列の有効なカバレッジを維持している。
関連論文リスト
- Bellman Conformal Inference: Calibrating Prediction Intervals For Time
Series [4.10373648742522]
我々は,時系列予測モデルを取り巻くフレームワークであるBellman Conformal Inference (BCI)を紹介した。
BCIは、マルチステップの予測を活用でき、平均インターバルの長さを明示的に最適化できる。
我々は,任意の分布シフトと時間依存性の下で,BCIが長期的カバレッジを達成することを証明した。
論文 参考訳(メタデータ) (2024-02-07T19:15:33Z) - MPPN: Multi-Resolution Periodic Pattern Network For Long-Term Time
Series Forecasting [19.573651104129443]
長期の時系列予測は、様々な現実のシナリオにおいて重要な役割を果たす。
近年の時系列予測の深層学習手法は,分解法やサンプリング法により時系列の複雑なパターンを捉える傾向にある。
本稿では,MPPN(Multi- resolution Periodic Pattern Network)という,長期連続予測のための新しいディープラーニングネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-06-12T07:00:37Z) - The Capacity and Robustness Trade-off: Revisiting the Channel
Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。
以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。
本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
論文 参考訳(メタデータ) (2023-04-11T13:15:33Z) - 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) - Copula Conformal Prediction for Multi-step Time Series Forecasting [21.617412305508495]
時系列予測のためのCopula Conformal Predictionアルゴリズム,CopulaCPTSを提案する。
我々は,CopulaCPTSが既存の手法よりも多段階予測タスクに対して,よりキャリブレーションと鋭い信頼区間を生成することを示す。
論文 参考訳(メタデータ) (2022-12-06T19:32:06Z) - Efficient probabilistic reconciliation of forecasts for real-valued and
count time series [0.840358257755792]
本研究では,任意の種類の予測分布を調整するための条件付けに基づく新しい手法を提案する。
次にBottom-Up Smplingと呼ばれる新しいアルゴリズムを導入し、再構成された分布から効率的にサンプリングする。
論文 参考訳(メタデータ) (2022-10-05T14:22:24Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳(メタデータ) (2022-02-07T21:37:29Z) - 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) - Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic
Regression [51.770998056563094]
PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。
既存の最先端手法と比較してPGBMの利点を実証的に示す。
論文 参考訳(メタデータ) (2021-06-03T08:32:13Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳(メタデータ) (2021-05-25T14:35:46Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳(メタデータ) (2020-03-10T09:15:42Z)
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。