論文の概要: Training-Free Probabilistic Time-Series Forecasting with Conformal Seasonal Pools

• arxiv url: http://arxiv.org/abs/2605.03789v1
• Date: Tue, 05 May 2026 14:16:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.967008
• Title: Training-Free Probabilistic Time-Series Forecasting with Conformal Seasonal Pools
• Title（参考訳）: コンフォーマルな季節プールを用いたトレーニング不要確率的時系列予測
• Authors: Valery Manokhin,
• Abstract要約: コンフォーマル・シーズン・プール(Conformal Seasonal Pools)は、訓練のない確率的時系列予測装置である。 CSPは、学習されたパラメータやトレーニングなしで、これらすべてを達成する。
• 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: We propose Conformal Seasonal Pools (CSP), a training-free probabilistic time-series forecaster that mixes same-season empirical draws with signed residual draws around a seasonal naive forecast. In an audited rolling-origin benchmark on the six time-series datasets where DeepNPTS was originally evaluated (electricity, exchange_rate, solar_energy, taxi, traffic, wikipedia), CSP-Adaptive significantly outperforms DeepNPTS on every metric we report -- CRPS (per-window paired Wilcoxon $p \approx 4 \times 10^{-10}$), normalized mean quantile loss ($p \approx 7 \times 10^{-10}$), and empirical 95% coverage ($p \approx 8 \times 10^{-45}$, mean 0.89 vs 0.66) -- while running over 500x faster on CPU. Coverage is the most decision-critical of these: a 0.95 nominal interval that contains the truth in only ~66% of cases fails the basic calibration desideratum and would not survive deployment in safety- or decision-critical settings. The failure mode is also more severe than aggregate coverage suggests: in the worst 10% of windows, DeepNPTS's prediction interval covers none of the H forecast horizons -- the entire multi-step trajectory misses the truth at every step simultaneously. This poses serious risk in safety- and decision-critical applications such as healthcare, finance, energy operations, and autonomous systems, where prediction intervals that systematically miss the truth across the entire planning horizon translate directly into misclassified patients, regulatory capital failures, grid imbalances, and safety-case violations. CSP achieves all of this with no learned parameters and no training. We argue training-free conformal samplers should be mandatory baselines when evaluating learned non-parametric forecasters.
• Abstract（参考訳）: 我々は,同シーズンの実証的なドローと,季節的なナイーブな予測に関する署名された残留ドローを混合した,トレーニング不要な確率的時系列予測装置であるConformal Seasonal Pools (CSP)を提案する。 CRPS (per-window paired Wilcoxon $p \approx 4 \times 10^{-10}$)、正規化された平均量子損失(p \approx 7 \times 10^{-10}$)、実証的な95%カバレッジ(p \approx 8 \times 10^{-45}$, means 0.89 vs 0.66)。 わずか66%のケースで真実を含む0.95の例外区間は、基本的な校正のデシダータムに失敗し、安全または決定クリティカルな設定での展開を生き残らない。 最悪の10%のウィンドウでは、DeepNPTSの予測間隔はH予測の水平線をカバーしません。 これは、医療、金融、エネルギー運用、自律システムといった安全および決定クリティカルなアプリケーションにおいて重大なリスクをもたらし、計画の地平全体にわたって真実を体系的に見逃す予測間隔は、誤って分類された患者、規制資本の失敗、グリッドの不均衡、安全ケース違反に直接変換される。 CSPは、学習されたパラメータやトレーニングなしで、これらすべてを達成する。 我々は、学習した非パラメトリック予測器を評価する際に、トレーニング不要なコンフォメーション・サンプルは必須基準となるべきであると論じる。

関連論文リスト

• FASE : A Fairness-Aware Spatiotemporal Event Graph Framework for Predictive Policing [0.0]
  予測犯罪リスクのみに基づいてパトロール資源を割り当てる予測的警察システムは、フィードバック駆動データを通じて意図せずに人種格差を増幅することができる。 本稿では,犯罪予測と公正な制約付きパトロールアロケーションと閉ループ展開フィードバックシミュレータを組み合わせた,時間的イベントグラフフレームワークFASEを提案する。 割り当てレベルの公平性だけでは、データの再トレーニングにおけるフィードバック誘起バイアスを排除せず、完全なパイプライン全体にわたる公平な介入の必要性を強調します。
  論文  参考訳（メタデータ） (2026-04-19T21:22:45Z)
• Bayesian Transformer for Probabilistic Load Forecasting in Smart Grids [0.0]
  本研究では,3つの相補的不確実性機構をPatchTSTバックボーンに統合したベイズ変圧器フレームワークを提案する。 7段階のマルチクエンタリーピンボールロス予測ヘッドと、訓練後の等音波回帰キャリブレーションにより、鋭く、ほぼ一意にカバーされた予測間隔が生成される。 主要なベンチマーク(PJM, H=24h)では、BTは0.0289のCRPSを達成し、Deep Ensemblesより7.4%、決定論的LSTMより29.9%改善した。
  論文  参考訳（メタデータ） (2026-03-09T02:39:51Z)
• Optimal Unconstrained Self-Distillation in Ridge Regression: Strict Improvements, Precise Asymptotics, and One-Shot Tuning [61.07540493350384]
  自己蒸留(英: Self-distillation, SD)とは、教師自身の予測と地道の混合で学生を訓練する過程である。 任意の予測リスクに対して、各正規化レベルにおいて、最適に混合された学生がリッジ教師に改善されることが示される。 本稿では,グリッド探索やサンプル分割,再構成なしに$star$を推定する一貫したワンショットチューニング手法を提案する。
  論文  参考訳（メタデータ） (2026-02-19T17:21:15Z)
• ZIP-RC: Optimizing Test-Time Compute via Zero-Overhead Joint Reward-Cost Prediction [57.799425838564]
  ZIP-RCは、モデルに報酬とコストのゼロオーバーヘッド推論時間予測を持たせる適応推論手法である。 ZIP-RCは、同じまたはより低い平均コストで過半数投票よりも最大12%精度が向上する。
  論文  参考訳（メタデータ） (2025-12-01T09:44:31Z)
• Monitoring State Transitions in Markovian Systems with Sampling Cost [65.4151496405543]
  自然なアプローチは、予想される予測損失がクエリコスト以下で、クエリがなければいつ発生するかを予測する、欲張りのポリシーである。 最適(OPT)戦略は状態依存のしきい値ポリシである。 遷移確率が未知の場合、我々は、グレディポリシーの予測勾配降下(PSGD)に基づく学習変種を提案する。
  論文  参考訳（メタデータ） (2025-10-25T15:07:37Z)
• Temporal Conformal Prediction (TCP): A Distribution-Free Statistical and Machine Learning Framework for Adaptive Risk Forecasting [0.0]
  TCPは、非定常時系列において、よく校正された予測間隔を構築するための分散フリーフレームワークである。 TCPは、ローリングウィンドウ上に分割等角キャリブレーション層を持つ現代の量子予測器を結合する。 危機風の可視化では、TCP/TCP-RMが膨張し、すぐに間隔帯をボラティリティのスパイクと後退として収縮する。
  論文  参考訳（メタデータ） (2025-07-07T20:44:31Z)
• 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)

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。