論文の概要: Predictive inference for time series: why is split conformal effective despite temporal dependence?

• arxiv url: http://arxiv.org/abs/2510.02471v1
• Date: Thu, 02 Oct 2025 18:24:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.126296
• Title: Predictive inference for time series: why is split conformal effective despite temporal dependence?
• Title（参考訳）: 時系列の予測的推論:時間的依存に拘わらず、なぜ分割整合性は有効か?
• Authors: Rina Foygel Barber, Ashwin Pananjady,
• Abstract要約: コンフォーマル予測法は、任意の iid または交換可能なデータ分布に対して、分布のないカバレッジを提供する。 自動回帰モデルのような過去の観測を利用する予測器は、この問題をさらに悪化させる。 この結果から, 時系列内の時間的依存が交換可能性に違反する程度を計測し, 新たな「スウィッチ係数」を用いて, これらの手法のカバレッジを損なうことが示唆された。
• 参考スコア（独自算出の注目度）: 8.032656343027146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the problem of uncertainty quantification for prediction in a time series: if we use past data to forecast the next time point, can we provide valid prediction intervals around our forecasts? To avoid placing distributional assumptions on the data, in recent years the conformal prediction method has been a popular approach for predictive inference, since it provides distribution-free coverage for any iid or exchangeable data distribution. However, in the time series setting, the strong empirical performance of conformal prediction methods is not well understood, since even short-range temporal dependence is a strong violation of the exchangeability assumption. Using predictors with "memory" -- i.e., predictors that utilize past observations, such as autoregressive models -- further exacerbates this problem. In this work, we examine the theoretical properties of split conformal prediction in the time series setting, including the case where predictors may have memory. Our results bound the loss of coverage of these methods in terms of a new "switch coefficient", measuring the extent to which temporal dependence within the time series creates violations of exchangeability. Our characterization of the coverage probability is sharp over the class of stationary, $\beta$-mixing processes. Along the way, we introduce tools that may prove useful in analyzing other predictive inference methods for dependent data.
• Abstract（参考訳）: 時系列における予測の不確実性定量化の問題を考える: 過去のデータを用いて次の時点を予測した場合、予測の周囲に有効な予測間隔を提供できるか? データ上に分布仮定を置くのを避けるため、近年では、iidや交換可能なデータ分布に対して分布のないカバレッジを提供するため、予測推論において共形予測法が一般的な手法となっている。 しかし、時系列設定では、短距離時間依存性でさえ交換可能性仮定の強い違反であるため、共形予測法の強い経験的性能はよく理解されていない。 自動回帰モデルのような過去の観測を利用する予測器は、この問題をさらに悪化させる。 本研究では, 時系列設定における分割共形予測の理論的性質について検討する。 この結果から, 時系列内の時間的依存が交換可能性に違反する程度を計測し, 新たな「スウィッチ係数」を用いて, これらの手法のカバレッジを損なうことが示唆された。 適用確率のキャラクタリゼーションは定常な$\beta$-mixingプロセスのクラスよりも鋭い。 その過程で,従属データに対する他の予測推論手法を解析するのに有用なツールを紹介した。

関連論文リスト

• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  時系列における不確実性定量化の問題を相関配列を利用して解決する。 共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• 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)
• Conditional validity of heteroskedastic conformal regression [12.905195278168506]
  等角予測と分割等角予測は、統計的保証付き予測間隔を推定するための分布自由なアプローチを提供する。 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等式予測などの手法を用いて,予測間隔の構築方法について,新たな光を当てることを試みる。
  論文  参考訳（メタデータ） (2023-09-15T11:10:46Z)
• Distribution-Free Finite-Sample Guarantees and Split Conformal Prediction [0.0]
  分割共形予測は、最小分布自由仮定の下で有限サンプル保証を得るための有望な道を表す。 1940年代に開発された分割共形予測と古典的寛容予測との関連性を強調した。
  論文  参考訳（メタデータ） (2022-10-26T14:12:24Z)
• Predictive Inference with Feature Conformal Prediction [80.77443423828315]
  本稿では,特徴空間への共形予測の範囲を拡大する特徴共形予測を提案する。 理論的観点からは、特徴共形予測は軽度の仮定の下で正則共形予測よりも確実に優れていることを示す。 提案手法は,バニラ共形予測だけでなく,他の適応共形予測手法と組み合わせることができる。
  論文  参考訳（メタデータ） (2022-10-01T02:57:37Z)
• 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)
• 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)

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。