論文の概要: JANET: Joint Adaptive predictioN-region Estimation for Time-series

• arxiv url: http://arxiv.org/abs/2407.06390v1
• Date: Mon, 8 Jul 2024 21:03:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-10 19:54:43.140868
• Title: JANET: Joint Adaptive predictioN-region Estimation for Time-series
• Title（参考訳）: JANET: 時系列の同時適応予測型N領域推定
• Authors: Eshant English, Eliot Wong-Toi, Matteo Fontana, Stephan Mandt, Padhraic Smyth, Christoph Lippert,
• Abstract要約: 共形予測領域を構築するための新しいフレームワークであるJANET(Joint Adaptive predictioN- Region Estimation for Time-Series)を提案する。 JANETは、帰納的共形フレームワークを一般化し、制御されたK系列誤差率の合同予測領域を効率的に生成する。 我々の経験的評価は、JANETが様々な時系列データセットにまたがる多段階予測タスクにおいて優れた性能を示している。
• 参考スコア（独自算出の注目度）: 28.19630729432862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conformal prediction provides machine learning models with prediction sets that offer theoretical guarantees, but the underlying assumption of exchangeability limits its applicability to time series data. Furthermore, existing approaches struggle to handle multi-step ahead prediction tasks, where uncertainty estimates across multiple future time points are crucial. We propose JANET (Joint Adaptive predictioN-region Estimation for Time-series), a novel framework for constructing conformal prediction regions that are valid for both univariate and multivariate time series. JANET generalises the inductive conformal framework and efficiently produces joint prediction regions with controlled K-familywise error rates, enabling flexible adaptation to specific application needs. Our empirical evaluation demonstrates JANET's superior performance in multi-step prediction tasks across diverse time series datasets, highlighting its potential for reliable and interpretable uncertainty quantification in sequential data.
• Abstract（参考訳）: コンフォーマル予測は、理論的保証を提供する予測セットを備えた機械学習モデルを提供するが、基本となる交換可能性の仮定は時系列データに適用性を制限する。 さらに、既存のアプローチでは、複数の将来の時点にわたる不確実性推定が不可欠である、複数のステップ先進予測タスクの処理に苦労している。 JANET(Joint Adaptive predictioN- Region Estimation for Time-Series)は、一変量時系列と多変量時系列の両方に有効な共形予測領域を構築するための新しいフレームワークである。 JANETは、帰納的同型フレームワークを一般化し、制御されたK系列誤差率の合同予測領域を効率よく生成し、特定のアプリケーションニーズに柔軟な適応を可能にする。 我々の経験的評価は、JANETの様々な時系列データセットにおける多段階予測タスクにおける優れた性能を示し、シーケンシャルデータにおける信頼性と解釈可能な不確実性定量化の可能性を強調している。

関連論文リスト

• Enhancing reliability in prediction intervals using point forecasters: Heteroscedastic Quantile Regression and Width-Adaptive Conformal Inference [0.0]
  一組のインターバルを評価する際には、従来の対策だけでは不十分である、と我々は主張する。 間隔は長さによって変化しなければならないが、この変化は予測の難しさに直接関係している。 本稿では,HQRモデルとWidth-Adaptive Conformal Inference(WACI)手法を提案する。
  論文  参考訳（メタデータ） (2024-06-21T06:51:13Z)
• MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
  本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。 予測性能を高めるために3段階の相関を同時に検討する。 注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
  論文  参考訳（メタデータ） (2024-05-30T03:32:44Z)
• 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)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• 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 set for time-series [16.38369532102931]
  不確かさの定量化は複雑な機械学習手法の研究に不可欠である。 我々は,時系列の予測セットを構築するために,ERAPS(Ensemble Regularized Adaptive Prediction Set)を開発した。 ERAPSによる有意な限界被覆と条件被覆を示し、競合する手法よりも予測セットが小さい傾向にある。
  論文  参考訳（メタデータ） (2022-06-15T23:48:53Z)
• Optimal Latent Space Forecasting for Large Collections of Short Time Series Using Temporal Matrix Factorization [0.0]
  複数の手法を評価し、それらの方法の1つを選択することや、最良の予測を生成するためのアンサンブルを選択するのが一般的である。 本稿では,低ランク時間行列係数化と潜在時系列上での最適モデル選択を組み合わせることで,短時間の高次元時系列データを予測するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-15T11:39:21Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。