論文の概要: Conformal Prediction Algorithms for Time Series Forecasting: Methods and Benchmark

• arxiv url: http://arxiv.org/abs/2601.18509v1
• Date: Mon, 26 Jan 2026 14:15:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.857956
• Title: Conformal Prediction Algorithms for Time Series Forecasting: Methods and Benchmark
• Title（参考訳）: 時系列予測のためのコンフォーマル予測アルゴリズム:方法とベンチマーク
• Authors: Andro Sabashvili,
• Abstract要約: コンフォーマル予測(CP)は、厳密な理論的保証を伴う予測間隔を生成するための有望な分布自由フレームワークとして登場した。 時系列に固有の時間的依存関係は、データ交換可能性という中核的な仮定を根本的に破る。 本稿では,この対立に対処するために設計されたアルゴリズム解の主なカテゴリについて批判的に考察する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable uncertainty quantification is of critical importance in time series forecasting, yet traditional methods often rely on restrictive distributional assumptions. Conformal prediction (CP) has emerged as a promising distribution-free framework for generating prediction intervals with rigorous theoretical guarantees. However, applying CP to sequential data presents a primary challenge: the temporal dependencies inherent in time series fundamentally violate the core assumption of data exchangeability, upon which standard CP guarantees are built. This review critically examines the main categories of algorithmic solutions designed to address this conflict. We survey and benchmark methods that relax the exchangeability assumption, those that redefine the data unit to be a collection of independent time series, approaches that explicitly model the dynamics of the prediction residuals, and online learning algorithms that adapt to distribution shifts to maintain long-run coverage. By synthesizing these approaches, we highlight computational efficiency and practical performance on real-world data.
• Abstract（参考訳）: 信頼性のある不確実性定量化は時系列予測において重要であるが、伝統的な手法は制限的な分布仮定に依存することが多い。 コンフォーマル予測(CP)は、厳密な理論的保証を伴う予測間隔を生成するための有望な分布自由フレームワークとして登場した。 しかし、CPをシーケンシャルデータに適用することは、時系列に固有の時間的依存関係が、標準のCP保証が構築されるデータ交換可能性のコア仮定を根本的に破る、という大きな課題を示す。 本稿では,この対立に対処するために設計されたアルゴリズム解の主なカテゴリについて批判的に考察する。 我々は,交換可能性の仮定を緩和する手法,データ単位を独立した時系列の集合として再定義する手法,予測残差のダイナミクスを明示的にモデル化する手法,分散シフトに適応して長期的カバレッジを維持するオンライン学習アルゴリズムについて調査・ベンチマークを行った。 これらのアプローチを合成することにより、実世界のデータ上での計算効率と実用性能を強調した。

関連論文リスト

• A Gentle Introduction to Conformal Time Series Forecasting [0.0]
  このレビューは、非交換可能データに対処するために特別に設計された共形予測手法の最近の進歩をまとめるものである。 まず,弱依存性条件下での分割等角予測に対する有限サンプル保証を導出する理論的基礎を提示する。 次に、キャリブレーションデータを再重み付けしたり、残留分布を動的に更新したり、ターゲットのカバレッジレベルをリアルタイムで調整したりすることで、シリアル依存を軽減する最先端のアプローチを調査し、分類する。
  論文  参考訳（メタデータ） (2025-11-17T17:12:51Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• ResCP: Reservoir Conformal Prediction for Time Series Forecasting [39.81023599249223]
  コンフォーマル予測は、交換可能なデータに対して、分散のない予測間隔を構築するための強力なフレームワークを提供する。 本稿では,Reservoir Conformal Prediction (ResCP)を提案する。
  論文  参考訳（メタデータ） (2025-10-06T17:37:44Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• 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)
• Enhancing reliability in prediction intervals using point forecasters: Heteroscedastic Quantile Regression and Width-Adaptive Conformal Inference [0.0]
  予測区間を構築する場合,標準測度だけでは不十分である。 我々は、不規則な量子回帰とウィッジ適応型コンフォーマル推論を組み合わせることを提案する。 この組み合わせのアプローチは、妥当性と効率性に関する典型的なベンチマークを満たしたり、超えたりすることを示します。
  論文  参考訳（メタデータ） (2024-06-21T06:51:13Z)
• 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)

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。