論文の概要: Conformal Prediction with Time-Series Data via Sequential Conformalized Density Regions

• arxiv url: http://arxiv.org/abs/2604.07325v1
• Date: Wed, 08 Apr 2026 17:38:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.661846
• Title: Conformal Prediction with Time-Series Data via Sequential Conformalized Density Regions
• Title（参考訳）: 逐次等角化密度領域による時系列データによる等角予測
• Authors: M. Sampson, K. S. Chan,
• Abstract要約: 本稿では,条件付きカバレッジが保証された時系列データに対する新しいコンフォメーション予測手法を提案する。 提案手法は,一定の条件下で保証されたカバレッジ率を達成する。 シミュレーションの結果,提案手法は経験的カバレッジ率や設定サイズで既存手法よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose a new conformal prediction method for time-series data with a guaranteed asymptotic conditional coverage rate, Sequential Conformalized Density Regions (SCDR), which is flexible enough to produce both prediction intervals and disconnected prediction sets, signifying the emergence of bifurcations. Our approach uses existing estimated conditional highest density predictive regions to form initial predictive regions. We then use a quantile random forest conformal adjustment to provide guaranteed coverage while adaptively changing to take the non-exchangeable nature of time-series data into account. We show that the proposed method achieves the guaranteed coverage rate asymptotically under certain regularity conditions. In particular, the method is doubly robust -- it works if the predictive density model is correctly specified and/or if the scores follow a nonlinear autoregressive model with the correct order specified. Simulations reveal that the proposed method outperforms existing methods in terms of empirical coverage rates and set sizes. We illustrate the method using two real datasets, the Old Faithful geyser dataset and the Australian electricity usage dataset. Prediction sets formed using SCDR for the geyser eruption durations include both single intervals and unions of two intervals, whereas existing methods produce wider, less informative, single-interval prediction sets.
• Abstract（参考訳）: 本稿では,予測間隔と非連結予測セットの両方を生成するのに十分なフレキシブルな,漸近的条件付きカバレッジが保証された時系列データに対する新しいコンフォメーション予測手法であるSCDRを提案する。 提案手法では,推定条件付き最大密度予測領域を用いて初期予測領域を形成する。 次に、変動しない時系列データを考慮し、適応的に変化しながら、保証されたカバレッジを提供するために、量子ランダムな森林整列調整を用いる。 提案手法は,一定の規則性条件下で保証されたカバレッジ率を漸近的に達成することを示す。 特に、予測密度モデルが正しく指定された場合や、スコアが正しい順序で非線形自己回帰モデルに従う場合、その方法は2倍堅牢である。 シミュレーションの結果,提案手法は経験的カバレッジ率や設定サイズで既存手法よりも優れていることがわかった。 本手法は,2つの実データ,Old Faithful geyser データセットとAustralian Electric usage データセットを用いて記述する。 ガイザー噴火の期間にSCDRを用いて形成された予測セットは、単一の間隔と2つの間隔の結合の両方を含むが、既存の手法ではより広く、より情報に乏しい、単一区間の予測セットを生成する。

関連論文リスト

• Time-uniform conformal and PAC prediction [0.8021197489470758]
  コンフォメーション予測とそれに関連するほぼ正しいPAC予測フレームワークを逐次設定に拡張する。 結果として得られる予測セットは、アナリストが選択した時点において、期待されるカバレッジが要求レベルであるという点において、いつでも有効である。 本稿では,提案手法の理論的保証と,シミュレーションおよび実データに対する有効性と有用性を示す。
  論文  参考訳（メタデータ） (2026-02-06T01:41:10Z)
• Distribution-informed Online Conformal Prediction [53.674678995825666]
  更新ルールに基礎となるデータパターンを組み込んだオンラインコンフォメーション予測アルゴリズムである Conformal Optimistic Prediction (COP) を提案する。 COPは予測可能なパターンが存在する場合により厳密な予測セットを生成し、見積もりが不正確な場合でも有効なカバレッジ保証を保持する。 我々は,COPが有効なカバレッジを実現し,他のベースラインよりも短い予測間隔を構築できることを証明した。
  論文  参考訳（メタデータ） (2025-12-08T17:51:49Z)
• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• 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)
• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Distribution-Free Conformal Joint Prediction Regions for Neural Marked Temporal Point Processes [4.324839843326325]
  我々は、共形予測の枠組みを用いて、ニューラルTPPモデルにおける不確実性に対するより信頼性の高い手法を開発した。 主な目的は、イベントの到着時刻とマークに対する分布自由な共同予測領域を生成し、有限サンプルの限界カバレッジを保証することである。
  論文  参考訳（メタデータ） (2024-01-09T15:28:29Z)
• Applying Regression Conformal Prediction with Nearest Neighbors to time series data [0.0]
  本稿では,時系列データにおける共形予測器を用いて,信頼可能な予測区間を構築する方法を提案する。 提案手法は,FPTO-WNN手法の高速パラメータチューニング手法を基礎アルゴリズムとして用いた。
  論文  参考訳（メタデータ） (2021-10-25T15:11:32Z)
• Private Prediction Sets [72.75711776601973]
  機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。 これら2つのデシラタを共同で扱う枠組みを提案する。 本手法を大規模コンピュータビジョンデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-02-11T18:59:11Z)

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。