論文の概要: Delving into Non-Exchangeability for Conformal Prediction in Graph-Structured Multivariate Time Series

• arxiv url: http://arxiv.org/abs/2605.04957v1
• Date: Wed, 06 May 2026 14:19:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.87016
• Title: Delving into Non-Exchangeability for Conformal Prediction in Graph-Structured Multivariate Time Series
• Title（参考訳）: グラフ構造化多変量時系列における等角予測のための非交換性への埋め込み
• Abstract要約: コンフォーマル予測(CP)は、確固としたカバレッジを保証する不確実性推定を提供する。 グラフ構造時系列では、固有のクロスノード結合は交換性条件に反する可能性がある。 我々はSGCE(Spectral Graph Exchangeability Conditional)という新しい概念を提案する。
• 参考スコア（独自算出の注目度）: 23.16459034215899
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point forecasting for graph-structured multivariate time series is a fundamental problem, but rigorous uncertainty quantification for such predictions is still underexplored. Conformal prediction (CP) offers uncertainty estimation with a solid coverage guarantee under the exchangeability assumption, which requires the joint data distribution to be unchanged under permutation. However, in graph-structured time series, inherent cross-node coupling can violate the exchangeability condition, making direct application of CP unreliable. Inspired by the spectral graph theory, such coupling resides in global trends and can be characterized by the low-frequency components, while high-frequency components are nearly exchangeable. Therefore, we propose a novel concept named Spectral Graph Conditional Exchangeability (SGCE), which conditions exchangeable high-frequency components on low-frequency ones to preserve global trends and enable effective CP in the spectral domain. Based on SGCE, we further propose Spectral Conformal prediction via wAveLEt transform (SCALE). SCALE uses graph wavelets to decompose low/high-frequency components and conformalizes high-frequency residuals via adaptive gating over a low-frequency embedding. Experimental results on real-world traffic datasets show that SCALE not only achieves valid coverage but also consistently improves the coverage-efficiency trade-off over the state-of-the-art CP methods.
• Abstract（参考訳）: グラフ構造化多変量時系列の点予測は基本的な問題であるが、そのような予測に対する厳密な不確実性定量化はまだ未定である。 コンフォーマル予測(CP)は、交換可能性仮定の下での確固としたカバレッジ保証を伴う不確実性推定を提供する。 しかし、グラフ構造時間系列では、固有のクロスノード結合は交換性条件に反し、CPの直接適用は信頼できない。 スペクトルグラフ理論にインスパイアされたそのような結合は、大域的な傾向にあり、高周波成分がほとんど交換可能であるのに対して、低周波成分によって特徴づけられる。 そこで本研究では,低周波領域における高周波数成分の交換が可能なスペクトルグラフ条件交換性(Spectral Graph Conditional Exchangeability, SGCE)という新しい概念を提案し,グローバルな傾向を保ち,スペクトル領域における有効CPを実現する。 さらに、SGCEに基づいて、wAvelet変換(SCALE)によるスペクトル変換予測を提案する。 SCALEはグラフウェーブレットを使用して低周波成分を分解し、低周波埋め込み上の適応ゲーティングにより高周波残差を共形化する。 実世界のトラフィックデータセットの実験結果から、SCALEは有効なカバレッジを達成するだけでなく、最先端のCPメソッドに対するカバレッジ効率のトレードオフを一貫して改善することが示された。

関連論文リスト

• CryptoL: Towards Scale Dominance and Physics Constraints Mitigation in Financial Multivariate Time Series Forecasting [1.5701326192371183]
  本稿では,多変量時系列予測における課題に対処するための統合フレームワークCryptoLを提案する。 CryptoLは、RevINパイプライン内のコンテキスト正規化座標における予測エラーを評価する。 チャネル依存型アフィン変換は、独立チャネル変換では保存できないロウソク順序関係を保っていることを示す。
  論文  参考訳（メタデータ） (2026-09-10T08:12:59Z)
• SPARC: Single-Pass Scaling for Motion Forecasting with Conformal Bayesian Last Layers [1.4452289368758382]
  シングルパス適応リスク(英: Single-Pass Adaptive Risk)は、人間の動き予測器に対する構造的、校正的、効率的な不確実性推定である。 決定論的バックボーンは将来の平均を予測し、共役ベイズ最後の層は時間領域の特徴レバレッジを解析的地平線スケールに変換する。 NLLと組み合わせたMPJPE+NLLの基準では、競争点の精度と効率的な校正管を維持している。
  論文  参考訳（メタデータ） (2026-08-21T07:20:22Z)
• FRWKV+: Adaptive Periodic-Position Branch Interaction for Frequency-Space Linear Time Series Forecasting [9.255829167355804]
  長期の時系列予測は、エネルギー、金融、交通、医療システムにおける意思決定に不可欠である。 最近の軽量予測モデルは、変換または線形化された空間で操作することで効率を向上する。 選択的周期-位置分岐相互作用のための拡張FRWKV予測モデルFRWKV+を提案する。
  論文  参考訳（メタデータ） (2026-05-15T07:25:13Z)
• RareCP: Regime-Aware Retrieval for Efficient Conformal Prediction [11.259098206661077]
  本稿では適応型コンフォーマル時系列予測のためのレギュレーション対応検索手法であるRareCPを紹介する。 RareCPはコサイン・アテンションの専門家の混合を通して局所的なキャリブレーション表現を学習する。 符号付き残基上に重み付き共形量子が形成され、非対称な予測間隔が生じる。
  論文  参考訳（メタデータ） (2026-05-09T10:12:07Z)
• Co-optimization for Adaptive Conformal Prediction [9.881784717196675]
  中心$m(x)$と半径$h(x)$を共同最適化することにより予測間隔を学習するフレームワークを提案する。 合成および実ベンチマークの実験は、CoCPが一貫して短い間隔で生成し、最先端の条件付きカバレッジ診断を実現することを示した。
  論文  参考訳（メタデータ） (2026-03-02T10:43:19Z)
• LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs [61.06744611795341]
  医用視覚言語モデル(VLM)は医用画像の強力なゼロショット認識器である。 本研究では,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ(texttttextbfLATA,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ)を提案する。 texttttextbfLATAは交換性を損なうことなくゼロショット予測をシャープにする。
  論文  参考訳（メタデータ） (2026-02-19T16:45:38Z)
• Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
  安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。 本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
  論文  参考訳（メタデータ） (2026-02-09T22:48:30Z)
• Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
  グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。 VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。 合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
  論文  参考訳（メタデータ） (2026-01-30T03:59:38Z)
• Graph Regularized PCA [3.7916397178670884]
  グラフ正規化PCA(GR-PCA)は、データ特徴の依存関係構造を組み込んだグラフベースのPCAの正規化である。 GR-PCAは、意図した支持に分散を集中させ、低いグラフ-ラプラシアエネルギーで負荷を発生させ、サンプル外再構成において競争力を維持する。 PCAの優位性は、高周波信号がグラフ関連であるときに最も顕著であるが、そのような信号がほぼ回転不変であるとき、PCAは競争力を維持する。
  論文  参考訳（メタデータ） (2026-01-15T08:57:18Z)
• Continual Quantum Architecture Search with Tensor-Train Encoding: Theory and Applications to Signal Processing [68.35481158940401]
  CL-QASは連続的な量子アーキテクチャ検索フレームワークである。 振幅のエンコードと変分量子回路の忘れを犠牲にすることの課題を緩和する。 制御可能なロバスト性表現性、サンプル効率の一般化、およびバレンプラトーを使わずに滑らかな収束を実現する。
  論文  参考訳（メタデータ） (2026-01-10T02:36:03Z)
• WATS: Calibrating Graph Neural Networks with Wavelet-Aware Temperature Scaling [43.23012871829196]
  グラフウェーブレットの特徴に基づいてノード固有の温度を割り当てるポストホックキャリブレーションフレームワークであるWavelet-Aware Temperature Scaling (WATS)を提案する。 WATSはグラフウェーブレットのスケーラビリティとトポロジ的感度を利用して信頼性の推定を洗練させる。
  論文  参考訳（メタデータ） (2025-06-30T12:23:57Z)
• WQLCP: Weighted Adaptive Conformal Prediction for Robust Uncertainty Quantification Under Distribution Shifts [4.192712667327956]
  本稿では,変分オートエンコーダ(VAE)から得られた復元損失を,スコア関数をスケールする不確実性指標として紹介する。 重み付き交換可能性の概念を取り入れてRL SCPを改良した量子損失スケールコンフォーマル予測(WQLCP)を提案する。
  論文  参考訳（メタデータ） (2025-05-26T07:00:15Z)
• 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)
• Conformal Inductive Graph Neural Networks [58.450154976190795]
  コンフォーマル予測(CP)は、任意のモデルの出力を真のラベルを含むことが保証された予測セットに変換する。 CPは、有効な分布のないカバレッジを保証するために、i.d.仮定の緩和である交換可能性を必要とする。 従来のCPは、新しいノードとのメッセージパッシングによって生じる(校正)スコアの暗黙的なシフトのため、誘導的な設定では適用できない。 保証が予測時間(例えば、新しいノード/エッジの到着時や後続の瞬間)とは独立に成り立つことを証明します。
  論文  参考訳（メタデータ） (2024-07-12T11:12:49Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)

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。