論文の概要: Flow-based Conformal Prediction for Multi-dimensional Time Series

• arxiv url: http://arxiv.org/abs/2502.05709v1
• Date: Sat, 08 Feb 2025 22:04:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:35:13.892811
• Title: Flow-based Conformal Prediction for Multi-dimensional Time Series
• Title（参考訳）: 多次元時系列のフローベース等角予測
• Authors: Junghwan Lee, Chen Xu, Yao Xie,
• Abstract要約: 本稿では,トランスフォーマーと正規化フローを統合することで,2つの課題に対処する新しい共形予測手法を提案する。 トランスフォーマーは時系列の歴史的文脈を符号化し、正規化フローは、ベース分布から符号化された歴史的文脈に基づいて条件付けられた非整合性のスコアの分布への変換を学習する。 提案手法は,シミュレーションおよび実世界の時系列データセットを用いた包括的実験により,所望のカバレッジを満足しながら,ベースラインと比較して予測領域が小さいことを実証する。
• 参考スコア（独自算出の注目度）: 9.900139803164372
• License:
• Abstract: Conformal prediction for time series presents two key challenges: (1) leveraging sequential correlations in features and non-conformity scores and (2) handling multi-dimensional outcomes. We propose a novel conformal prediction method to address these two key challenges by integrating Transformer and Normalizing Flow. Specifically, the Transformer encodes the historical context of time series, and normalizing flow learns the transformation from the base distribution to the distribution of non-conformity scores conditioned on the encoded historical context. This enables the construction of prediction regions by transforming samples from the base distribution using the learned conditional flow. We ensure the marginal coverage by defining the prediction regions as sets in the transformed space that correspond to a predefined probability mass in the base distribution. The model is trained end-to-end by Flow Matching, avoiding the need for computationally intensive numerical solutions of ordinary differential equations. We demonstrate that our proposed method achieves smaller prediction regions compared to the baselines while satisfying the desired coverage through comprehensive experiments using simulated and real-world time series datasets.
• Abstract（参考訳）: 時系列のコンフォーマルな予測は,(1)特徴量と非整合性スコアの逐次相関を活用すること,(2)多次元結果を扱うこと,の2つの重要な課題を提示する。 本稿では,トランスフォーマーと正規化フローを統合することで,これらの2つの課題に対処する新しい共形予測手法を提案する。 具体的には、トランスフォーマーは時系列の歴史的文脈を符号化し、正規化フローは、ベース分布から、符号化された歴史的文脈に基づいて条件付けられた非整合スコアの分布への変換を学習する。 これにより、学習条件流を用いてサンプルをベース分布から変換することで予測領域を構築することができる。 我々は、予測領域を、基底分布の予め定義された確率質量に対応する変換空間の集合として定義することにより、限界被覆を確保する。 このモデルはフローマッチングによってエンドツーエンドに訓練され、通常の微分方程式の計算集約的な数値解を必要としない。 提案手法は,シミュレーションおよび実世界の時系列データセットを用いた包括的実験により,所望のカバレッジを満足しながら,ベースラインと比較して予測領域が小さいことを実証する。

関連論文リスト

• MGF: Mixed Gaussian Flow for Diverse Trajectory Prediction [72.70572835589158]
  本稿では,軌道予測のための正規化フローモデルに対して,混合ガウス前駆体を構築することを提案する。 提案手法は,一般的な UCY/ETH および SDD データセットにおける軌道アライメントと多様性の評価において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-02-19T15:48:55Z)
• Deep conditional distribution learning via conditional Föllmer flow [3.227277661633986]
  本研究では,条件F"ollmer Flow"という条件分布を学習するための常微分方程式(ODE)に基づく深部生成手法を提案する。 効率的な実装のために、我々は、深層ニューラルネットワークを用いて非パラメトリックに速度場を推定するオイラー法を用いて流れを判別する。
  論文  参考訳（メタデータ） (2024-02-02T14:52:10Z)
• IN-Flow: Instance Normalization Flow for Non-stationary Time Series Forecasting [38.4809915448213]
  固定統計量に依存しない時系列予測のための分離された定式化を提案する。 また、時系列変換のための新しい可逆ネットワークであるインスタンス正規化フロー(IN-Flow)を提案する。
  論文  参考訳（メタデータ） (2024-01-30T06:35:52Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
  近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。 我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。 限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
  論文  参考訳（メタデータ） (2023-11-30T18:59:44Z)
• Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
  正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。 一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
  論文  参考訳（メタデータ） (2022-02-23T06:11:49Z)
• 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)
• Adaptive Conformal Inference Under Distribution Shift [0.0]
  本研究では,未知の方法でデータ生成分布を時間とともに変化させるオンライン環境において,予測セットを形成する手法を開発した。 我々のフレームワークは、任意のブラックボックスメソッドと組み合わせられる一般的なラッパーを提供するために、共形推論のアイデアに基づいている。 我々は,2つの実世界のデータセット上で適応型共形推論法を検証し,その予測が可視的および有意な分布シフトに対して堅牢であることを見出した。
  論文  参考訳（メタデータ） (2021-06-01T01:37:32Z)
• Calibrated Adversarial Refinement for Stochastic Semantic Segmentation [5.849736173068868]
  本稿では,各予測に関連付けられた確率が,その根拠となる真偽の正しさを反映する,セマンティックマップ上の校正された予測分布を学習するための戦略を提案する。 マルチグレーダのLIDCデータセットと、注入曖昧さのあるCityscapesデータセットに対して、最先端の成果を達成し、アプローチの汎用性と堅牢性を実証する。 本研究は,おもちゃの回帰データセットを用いて実験することにより,校正された予測分布の学習を必要とする他のタスクにコア設計を適用することができることを示す。
  論文  参考訳（メタデータ） (2020-06-23T16:39:59Z)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)

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。