論文の概要: Calibrated Multi-Level Quantile Forecasting
- arxiv url: http://arxiv.org/abs/2512.23671v1
- Date: Mon, 29 Dec 2025 18:25:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-30 22:37:30.613764
- Title: Calibrated Multi-Level Quantile Forecasting
- Title（参考訳）: Calibrated Multi-Level Quantile Forecasting
- Authors: Tiffany Ding, Isaac Gibbs, Ryan J. Tibshirani,
- Abstract要約: マルチレベル量子トラッカーは、既存の点または量子予測器をラップして、キャリブレーションを達成するために保証された修正された予測を生成する。
実験の結果,MultiQTは感染拡大とエネルギー予測問題における実際の予測器の校正を著しく改善することがわかった。
- 参考スコア（独自算出の注目度）: 7.617401548242403
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present an online method for guaranteeing calibration of quantile forecasts at multiple quantile levels simultaneously. A sequence of $α$-level quantile forecasts is calibrated if the forecasts are larger than the target value at an $α$-fraction of time steps. We introduce a lightweight method called Multi-Level Quantile Tracker (MultiQT) that wraps around any existing point or quantile forecaster to produce corrected forecasts guaranteed to achieve calibration, even against adversarial distribution shifts, while ensuring that the forecasts are ordered -- e.g., the 0.5-level quantile forecast is never larger than the 0.6-level forecast. Furthermore, the method comes with a no-regret guarantee that implies it will not worsen the performance of an existing forecaster, asymptotically, with respect to the quantile loss. In experiments, we find that MultiQT significantly improves the calibration of real forecasters in epidemic and energy forecasting problems.
- Abstract（参考訳）: 複数の量子レベルにおける量子予測のキャリブレーションを同時に保証するオンライン手法を提案する。
予測値が目標値より大きい場合、$α$レベルの量子化予測のシーケンスを、時間ステップの$α$-fractionで調整する。
我々は,既存の点や量子化予測器をラップして,逆分布シフトに対してもキャリブレーションを実現するための補正予測を生成する,マルチレベル量子化トラッカ(MultiQT)と呼ばれる軽量な手法を導入し,0.5レベルの量子化予測が0.6レベルの予測よりも大きくなることを保証した。
さらに、この手法は、量子損失に関して、既存の予測器の性能が漸近的に悪化しないことを暗に保証する。
実験の結果,MultiQTは感染拡大とエネルギー予測問題における実際の予測器の校正を著しく改善することがわかった。
関連論文リスト
- Generalized Venn and Venn-Abers Calibration with Applications in Conformal Prediction [0.0]
我々は、Vovkのアプローチを二項分類を超えて拡張する、Venn-Abersキャリブレーションのための統一的なフレームワークを導入する。
提案手法は,任意の完全サンプル内キャリブレーションされた予測器を,有限サンプルにおいて少なくとも1つの限界点予測を出力するセット値予測器に変換する。
量子損失に対して,本フレームワークは,グループ条件とマルチキャリブレーションされた共形予測を特殊ケースとして回収し,量子条件のカバレッジで新しい予測区間を生成する。
論文 参考訳（メタデータ） (2025-02-08T19:52:59Z) - Semiparametric conformal prediction [79.6147286161434]
ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。
スコアの累積分布関数(CDF)を柔軟に推定する。
提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
論文 参考訳（メタデータ） (2024-11-04T14:29:02Z) - 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) - Auxiliary Quantile Forecasting with Linear Networks [6.155158115218501]
共有線形層を用いた量子化予測のための新しいマルチタスク手法を提案する。
提案手法はImplicit Quantile Learningアプローチに基づく。
決定論的予測ベンチマークにおいて、学習補助量子化タスクが最先端のパフォーマンスをもたらすことを示す。
論文 参考訳（メタデータ） (2022-12-05T20:09:32Z) - Dual-Frequency Quantum Phase Estimation Mitigates the Spectral Leakage
of Quantum Algorithms [76.15799379604898]
量子位相推定は、レコード長の逆数が未知の位相の整数倍でない場合にスペクトルリークに悩まされる。
複数のサンプルが利用できるとき,クレーマー・ラオ境界に近づいた二重周波数推定器を提案する。
論文 参考訳（メタデータ） (2022-01-23T17:20:34Z) - Learning Quantile Functions without Quantile Crossing for
Distribution-free Time Series Forecasting [12.269597033369557]
本稿では,分散フリーな分布推定フレームワークであるIncrmental (Spline) Quantile Function I(S)QFを提案する。
また、シーケンス・ツー・シーケンス・セッティングに基づく提案手法の一般化誤差解析も提供する。
論文 参考訳（メタデータ） (2021-11-12T06:54:48Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳（メタデータ） (2021-05-25T14:35:46Z) - Regularization Strategies for Quantile Regression [8.232258589877942]
連続的な量子の分布に対するピンボール損失を最小化することは、特定の量子の予測のみを行う場合でも良い正則化器であることを示す。
格子モデルにより予測された分布を位置スケールの族に正規化できることを示す。
論文 参考訳（メタデータ） (2021-02-09T21:10:35Z) - Distribution-Free, Risk-Controlling Prediction Sets [112.9186453405701]
ユーザ特定レベルにおける将来のテストポイントにおける期待損失を制御するブラックボックス予測器から設定値予測を生成する方法を示す。
提案手法は,予測セットのサイズをキャリブレーションするホールドアウトセットを用いて,任意のデータセットに対して明確な有限サンプル保証を提供する。
論文 参考訳（メタデータ） (2021-01-07T18:59:33Z)
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。