論文の概要: Attention-Based Feature Online Conformal Prediction for Time Series

• arxiv url: http://arxiv.org/abs/2511.15838v1
• Date: Wed, 19 Nov 2025 19:53:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.355572
• Title: Attention-Based Feature Online Conformal Prediction for Time Series
• Title（参考訳）: 注意に基づく時系列のオンラインコンフォーマル予測
• Authors: Meiyi Zhu, Caili Guo, Chunyan Feng, Osvaldo Simeone,
• Abstract要約: オンライン共形予測(OCP)は、トレーニング済みの予測器をラップして、カバレッジ保証付き予測セットを生成する。 標準OCPは、単純な非整合(NC)スコアを使用して出力空間で動作し、量子化を推定する際にすべての歴史的観測を均一に扱う。 本稿では2つの重要なイノベーションを通じて両方の制約に対処する注目型機能OCP(AFOCP)を紹介する。
• 参考スコア（独自算出の注目度）: 39.39395783686518
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online conformal prediction (OCP) wraps around any pre-trained predictor to produce prediction sets with coverage guarantees that hold irrespective of temporal dependencies or distribution shifts. However, standard OCP faces two key limitations: it operates in the output space using simple nonconformity (NC) scores, and it treats all historical observations uniformly when estimating quantiles. This paper introduces attention-based feature OCP (AFOCP), which addresses both limitations through two key innovations. First, AFOCP operates in the feature space of pre-trained neural networks, leveraging learned representations to construct more compact prediction sets by concentrating on task-relevant information while suppressing nuisance variation. Second, AFOCP incorporates an attention mechanism that adaptively weights historical observations based on their relevance to the current test point, effectively handling non-stationarity and distribution shifts. We provide theoretical guarantees showing that AFOCP maintains long-term coverage while provably achieving smaller prediction intervals than standard OCP under mild regularity conditions. Extensive experiments on synthetic and real-world time series datasets demonstrate that AFOCP consistently reduces the size of prediction intervals by as much as $88\%$ as compared to OCP, while maintaining target coverage levels, validating the benefits of both feature-space calibration and attention-based adaptive weighting.
• Abstract（参考訳）: オンライン共形予測(OCP)は、事前訓練された予測器をラップして、時間的依存関係や分散シフトに関係なく保持されるカバレッジ保証付き予測セットを生成する。 しかし、標準OCPは、単純な非整合(NC)スコアを使用して出力空間で動作し、量子を推定する際にすべての歴史的観測を均一に扱うという2つの重要な制限に直面している。 本稿では2つの重要なイノベーションを通じて両方の制約に対処する注目型機能OCP(AFOCP)を紹介する。 まず、AFOCPは、学習された表現を活用して、ニュアンス変動を抑制しながらタスク関連情報に集中してよりコンパクトな予測セットを構築する。 第2に、AFOCPは、現在のテストポイントとの関連性に基づいて、歴史的観測を適応的に重み付けし、非定常性や分布シフトを効果的に処理するアテンションメカニズムを組み込んでいる。 AFOCPは, 比較的規則性のある条件下では標準OCPよりも予測間隔が小さく, 長期的カバレッジを維持していることを示す理論的保証を提供する。 合成および実世界の時系列データセットに関する大規模な実験により、AFOCPは目標カバレッジレベルを維持しつつ、特徴空間のキャリブレーションと注目に基づく適応重み付けの両方の利点を検証しながら、OCPと比較して予測間隔を最大8,8\%まで小さくすることを示した。

関連論文リスト

• ECPv2: Fast, Efficient, and Scalable Global Optimization of Lipschitz Functions [91.31596562378076]
  ECPv2は、未知のリプシッツを持つリプシッツ連続関数のグローバル最適化のためのスケーラブルで理論的に基礎付けられたアルゴリズムである。 ECPv2は最適時間境界でECPのNo-Regret保証を保ち,これらの結果により受容領域を拡大することを示す。
  論文  参考訳（メタデータ） (2025-11-20T17:30:55Z)
• Relevance-Aware Thresholding in Online Conformal Prediction for Time Series [1.8744230606349503]
  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。
  論文  参考訳（メタデータ） (2025-10-03T08:31:14Z)
• 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)
• Distributed Conformal Prediction via Message Passing [33.306901198295016]
  Conformal Prediction (CP)は、堅牢なポストホックキャリブレーションフレームワークを提供する。 CPによる信頼性推論を実現するために,メッセージパスに基づく2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-01-24T14:47:42Z)
• 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)
• Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
  本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。 トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。 1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
  論文  参考訳（メタデータ） (2022-05-27T11:13:17Z)
• Bottom-Up Temporal Action Localization with Mutual Regularization [107.39785866001868]
  TALの最先端の解決策は、3つの行動指示相のフレームレベルの確率を評価することである。 学習手順を相互に規則化するための2つの規則化用語を導入する。 実験は2つの人気のTALデータセット、THUMOS14とActivityNet1.3で行われている。
  論文  参考訳（メタデータ） (2020-02-18T03:59:13Z)

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。