論文の概要: Online Conformal Inference with Retrospective Adjustment for Faster Adaptation to Distribution Shift

• arxiv url: http://arxiv.org/abs/2511.04275v1
• Date: Thu, 06 Nov 2025 11:11:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.401199
• Title: Online Conformal Inference with Retrospective Adjustment for Faster Adaptation to Distribution Shift
• Title（参考訳）: 配電シフトに対する高速適応のための振り返り調整によるオンライン等角的推論
• Authors: Jungbin Jun, Ilsang Ohn,
• Abstract要約: 振り返り調整を伴う新しいオンラインコンフォメーション推論手法を提案する。 提案手法は,より高速なカバーリカバリと統計的効率の向上を実現する。
• 参考スコア（独自算出の注目度）: 1.8620637029128548
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal prediction has emerged as a powerful framework for constructing distribution-free prediction sets with guaranteed coverage assuming only the exchangeability assumption. However, this assumption is often violated in online environments where data distributions evolve over time. Several recent approaches have been proposed to address this limitation, but, typically, they slowly adapt to distribution shifts because they update predictions only in a forward manner, that is, they generate a prediction for a newly observed data point while previously computed predictions are not updated. In this paper, we propose a novel online conformal inference method with retrospective adjustment, which is designed to achieve faster adaptation to distributional shifts. Our method leverages regression approaches with efficient leave-one-out update formulas to retroactively adjust past predictions when new data arrive, thereby aligning the entire set of predictions with the most recent data distribution. Through extensive numerical studies performed on both synthetic and real-world data sets, we show that the proposed approach achieves faster coverage recalibration and improved statistical efficiency compared to existing online conformal prediction methods.
• Abstract（参考訳）: コンフォーマル予測は、交換可能性仮定のみを仮定したカバレッジを保証する分散自由予測セットを構築するための強力なフレームワークとして登場した。 しかし、この仮定は、データ分散が時間とともに進化するオンライン環境ではしばしば破られる。 この制限に対処するために、近年ではいくつかのアプローチが提案されているが、一般的には、予測を前方にのみ更新するので、前もって計算された予測が更新されない間に、新たに観測されたデータポイントの予測を生成するため、分散シフトに徐々に適応する。 本稿では, 分布変化への適応を高速化するために, 振り返り調整を施した新しいオンライン共形推論手法を提案する。 提案手法は,新しいデータが到着したときの過去の予測を遡及的に調整し,最新のデータ分布と全体の予測を一致させる。 提案手法は, 既存のオンラインコンフォメーション予測法と比較して, カバーリカレーションの高速化と統計的効率の向上を実現していることを示す。

関連論文リスト

• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• 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)
• Multi-model Ensemble Conformal Prediction in Dynamic Environments [14.188004615463742]
  本稿では,複数の候補モデルから予測セットを作成するために使用されるモデルを選択する適応型共形予測フレームワークを提案する。 提案アルゴリズムは, 有効なカバレッジを維持しつつ, 全区間にわたる強い適応的後悔を達成できることが証明された。
  論文  参考訳（メタデータ） (2024-11-06T05:57:28Z)
• Robust Conformal Prediction Using Privileged Information [17.886554223172517]
  本研究では,トレーニングデータの破損に対して堅牢な,保証されたカバレッジ率で予測セットを生成する手法を開発した。 我々のアプローチは、i.d仮定の下で有効となる予測セットを構築するための強力なフレームワークである共形予測に基づいている。
  論文  参考訳（メタデータ） (2024-06-08T08:56:47Z)
• 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)
• Improved Online Conformal Prediction via Strongly Adaptive Online Learning [86.4346936885507]
  我々は、強い適応的後悔を最小限に抑える新しいオンライン共形予測手法を開発した。 提案手法は,すべての区間において,ほぼ最適に適応的な後悔を同時に達成できることを実証する。 実験により,本手法は実世界のタスクにおける既存の手法よりも,より優れたカバレッジと予測セットが得られることがわかった。
  論文  参考訳（メタデータ） (2023-02-15T18:59:30Z)
• Conformal Inference for Online Prediction with Arbitrary Distribution Shifts [1.2277343096128712]
  我々は、データを生成する分布が時間とともに変化するオンライン環境において、予測セットを形成するという問題を考察する。 与えられた幅のすべての局所時間間隔に対して,確実に小さな後悔を伴う新規な手順を開発する。 我々は、株式市場のボラティリティと新型コロナウイルス(COVID-19)のケース数を予測するために、2つの実世界のデータセットで、我々の技術を試した。
  論文  参考訳（メタデータ） (2022-08-17T16:51:12Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)

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。