論文の概要: Topology-Aware Conformal Prediction for Stream Networks

• arxiv url: http://arxiv.org/abs/2503.04981v1
• Date: Thu, 06 Mar 2025 21:21:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:24:17.806230
• Title: Topology-Aware Conformal Prediction for Stream Networks
• Title（参考訳）: ストリームネットワークのトポロジーを考慮したコンフォーマル予測
• Authors: Jifan Zhang, Fangxin Wang, Philip S. Yu, Kaize Ding, Shixiang Zhu,
• Abstract要約: 本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 54.505880918607296
• License:
• Abstract: Stream networks, a unique class of spatiotemporal graphs, exhibit complex directional flow constraints and evolving dependencies, making uncertainty quantification a critical yet challenging task. Traditional conformal prediction methods struggle in this setting due to the need for joint predictions across multiple interdependent locations and the intricate spatio-temporal dependencies inherent in stream networks. Existing approaches either neglect dependencies, leading to overly conservative predictions, or rely solely on data-driven estimations, failing to capture the rich topological structure of the network. To address these challenges, we propose Spatio-Temporal Adaptive Conformal Inference (\texttt{STACI}), a novel framework that integrates network topology and temporal dynamics into the conformal prediction framework. \texttt{STACI} introduces a topology-aware nonconformity score that respects directional flow constraints and dynamically adjusts prediction sets to account for temporal distributional shifts. We provide theoretical guarantees on the validity of our approach and demonstrate its superior performance on both synthetic and real-world datasets. Our results show that \texttt{STACI} effectively balances prediction efficiency and coverage, outperforming existing conformal prediction methods for stream networks.
• Abstract（参考訳）: 時空間グラフのユニークなクラスであるストリームネットワークは、複雑な方向流の制約と依存関係の進化を示し、不確実性の定量化は重要な課題である。 従来のコンフォメーション予測手法は、複数の相互依存位置をまたいだ共同予測の必要性と、ストリームネットワークに固有の複雑な時空間依存性のため、この環境では困難である。 既存のアプローチでは、依存関係を無視し、過度に保守的な予測につながるか、あるいはデータ駆動型推定にのみ依存して、ネットワークの豊富なトポロジ構造をキャプチャできない。 これらの課題に対処するために,ネットワークトポロジと時間ダイナミクスを共形予測フレームワークに統合する新しいフレームワークである Spatio-Temporal Adaptive Conformal Inference (\texttt{STACI}) を提案する。 \texttt{STACI} は、向きのフロー制約を尊重し、時間的分布シフトを考慮した予測セットを動的に調整するトポロジを意識した非整合性スコアを導入している。 提案手法の妥当性を理論的に保証し, 合成および実世界の両方のデータセットにおいて優れた性能を示す。 この結果から,<texttt{STACI} は予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークのコンフォメーション予測手法よりも優れていることがわかった。

関連論文リスト

• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Conformalized Link Prediction on Graph Neural Networks [8.807684750444626]
  グラフニューラルネットワーク(GNN)は様々なタスクに優れていますが、高い領域でのその応用は信頼性の低い予測によって妨げられます。 本稿では,GNNに基づくリンク予測の統計的保証を伴う予測区間を構築するために,分布自由かつモデルに依存しない不確実性定量化手法を提案する。
  論文  参考訳（メタデータ） (2024-06-26T21:17:37Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Enhancing the Robustness via Adversarial Learning and Joint Spatial-Temporal Embeddings in Traffic Forecasting [11.680589359294972]
  本稿では,ダイナミックスとロバストネスのバランスをとることの課題に対処するため,TrendGCNを提案する。 我々のモデルは、空間的(ノード的に)埋め込みと時間的(時間的に)埋め込みを同時に組み込んで、不均一な空間的・時間的畳み込みを考慮に入れている。 ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
  論文  参考訳（メタデータ） (2022-08-05T09:36:55Z)
• Link Prediction with Contextualized Self-Supervision [63.25455976593081]
  リンク予測は、ネットワーク内の2つのノード間のリンクの存在を推測することを目的としている。 従来のリンク予測アルゴリズムは、リンク空間、ノード属性ノイズ、ネットワークダイナミクスという3つの大きな課題によって妨げられている。 本稿では,リンク予測のための構造的コンテキスト予測を完全に活用する,コンテキスト適応型自己監視学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-25T03:12:32Z)
• 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)
• Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
  本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。 解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。 私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
  論文  参考訳（メタデータ） (2021-05-07T09:22:34Z)
• On a Bernoulli Autoregression Framework for Link Discovery and Prediction [1.9290392443571387]
  本稿では,自己回帰過程のベルヌーイ一般化に基づく二項列の動的予測フレームワークを提案する。 本稿では,さらに多くの補助的ネットワークを介し,付加的な情報を利用する新たな問題を提案する。 既存の作業とは対照的に、勾配に基づく推定アプローチは非常に効率的で、数百万のノードを持つネットワークにスケールすることができる。
  論文  参考訳（メタデータ） (2020-07-23T05:58:22Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。