論文の概要: Relevance-Aware Thresholding in Online Conformal Prediction for Time Series

• arxiv url: http://arxiv.org/abs/2510.02809v1
• Date: Fri, 03 Oct 2025 08:31:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.314297
• Title: Relevance-Aware Thresholding in Online Conformal Prediction for Time Series
• Title（参考訳）: 時系列のオンラインコンフォーマル予測における関連認識閾値
• Authors: Théo Dupuy, Binbin Xu, Stéphane Perrey, Jacky Montmain, Abdelhak Imoussaten,
• Abstract要約: オンラインコンフォーマル予測(OCP)は、時間とともにデータ分散がシフトする問題に対処するオプションである。 本稿では,2値評価(内/外)をより広範な機能クラスに置き換えることにより,しきい値更新ステップの強化を提案する。 このアプローチは、急激な閾値変化を防止し、予測間隔を狭める可能性がある。
• 参考スコア（独自算出の注目度）: 1.8744230606349503
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty quantification has received considerable interest in recent works in Machine Learning. In particular, Conformal Prediction (CP) gains ground in this field. For the case of time series, Online Conformal Prediction (OCP) becomes an option to address the problem of data distribution shift over time. Indeed, the idea of OCP is to update a threshold of some quantity (whether the miscoverage level or the quantile) based on the distribution observation. To evaluate the performance of OCP methods, two key aspects are typically considered: the coverage validity and the prediction interval width minimization. Recently, new OCP methods have emerged, offering long-run coverage guarantees and producing more informative intervals. However, during the threshold update step, most of these methods focus solely on the validity of the prediction intervals~--~that is, whether the ground truth falls inside or outside the interval~--~without accounting for their relevance. In this paper, we aim to leverage this overlooked aspect. Specifically, we propose enhancing the threshold update step by replacing the binary evaluation (inside/outside) with a broader class of functions that quantify the relevance of the prediction interval using the ground truth. This approach helps prevent abrupt threshold changes, potentially resulting in narrower prediction intervals. Indeed, experimental results on real-world datasets suggest that these functions can produce tighter intervals compared to existing OCP methods while maintaining coverage validity.
• Abstract（参考訳）: 不確かさの定量化は、機械学習における最近の研究でかなりの関心を集めている。 特に、この分野では Conformal Prediction (CP) が定着している。 時系列の場合、オンラインコンフォーマル予測(OCP)は、時間とともにデータ分散がシフトする問題に対処するオプションとなる。 実際、OCPの考え方は、分布観測に基づいてある量のしきい値(発見レベルか量子値か)を更新することである。 OCP法の性能を評価するために、一般的に2つの重要な側面として、カバレッジの妥当性と予測間隔幅の最小化がある。 近年,新たなOCP手法が登場し,長期にわたるカバレッジ保証と,より情報的間隔の確保が可能となった。 しかし、しきい値更新の段階では、これらの手法のほとんどは、予測間隔~−−—つまり、真実が区間〜−−−の内外にあるか−−−−の関連性を考慮せずに、――の妥当性にのみ焦点をあてる。 本稿では,この見過ごされた側面を活用することを目的とする。 具体的には、二項評価(内/外)を、基底真理を用いて予測区間の関連性を定量化するより広い種類の関数に置き換えることにより、しきい値更新のステップを強化することを提案する。 このアプローチは、急激な閾値変化を防止し、予測間隔を狭める可能性がある。 実際、実世界のデータセットにおける実験結果から、これらの関数はカバー範囲の妥当性を維持しつつ、既存のOCP手法よりも厳密な間隔を得られることが示唆されている。

関連論文リスト

• Conformal Prediction for Signal Temporal Logic Inference [13.843989967082031]
  信号時間論理(STL)推論は時系列データから人間の解釈可能な規則を抽出しようとする。 既存のメソッドには、推論されたルールに対する正式な信頼性保証がない。 STL推論のためのエンドツーエンドの差別化可能なCPフレームワークを導入し、信頼性と解釈性の両方を向上させる。
  論文  参考訳（メタデータ） (2025-09-29T20:25:02Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [74.56971641937771]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• 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)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Adapting Prediction Sets to Distribution Shifts Without Labels [16.478151550456804]
  我々は、共形予測(CP)と呼ばれる標準設定値予測フレームワークに焦点を当てる。 本稿では, シフトテスト領域からのラベルなしデータのみを用いて, 実用性を向上させる方法について検討する。 提案手法は,既存のベースラインよりも一貫した改善を実現し,完全教師付き手法の性能にほぼ一致することを示す。
  論文  参考訳（メタデータ） (2024-06-03T15:16:02Z)
• A general framework for multi-step ahead adaptive conformal heteroscedastic time series forecasting [0.0]
  本稿では,適応アンサンブルバッチ多出力多出力共形量子化回帰(AEnbMIMOCQR)と呼ばれる新しいモデル非依存アルゴリズムを提案する。 これにより、予測者は、固定された特定された誤発見率に対して、分布のない方法で、複数段階の事前予測間隔を生成できる。 本手法は, 整合予測の原理に基づいているが, データの分割は不要であり, データの交換ができない場合でも, ほぼ正確なカバレッジを提供する。
  論文  参考訳（メタデータ） (2022-07-28T16:40:26Z)
• A novel Deep Learning approach for one-step Conformal Prediction approximation [0.7646713951724009]
  Conformal Prediction (CP) は、最小限の制約を与えられた最大エラー率を保証する汎用的なソリューションである。 本稿では,従来の2ステップCPアプローチを1ステップで近似する新しい共形損失関数を提案する。
  論文  参考訳（メタデータ） (2022-07-25T17:46:09Z)

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。