論文の概要: RareCP: Regime-Aware Retrieval for Efficient Conformal Prediction

• arxiv url: http://arxiv.org/abs/2605.08857v1
• Date: Sat, 09 May 2026 10:12:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.935421
• Title: RareCP: Regime-Aware Retrieval for Efficient Conformal Prediction
• Title（参考訳）: RareCP: 効率的な等角予測のためのレジーム対応検索
• Authors: Manuel Heurich, Maximilian Granz, Tim Landgraf,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 11.259098206661077
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in uncertainty quantification for time series forecasting show that conformal prediction can provide reliable prediction intervals, yet standard conformal methods are often inefficient under temporal dependence, drift, and heterogeneous error behavior. Existing methods typically either update miscoverage rates over time or learn unconstrained calibration weights, without explicitly separating two central sources of nonstationarity: smoothly drifting error distributions and co-existing distinct error regimes. We introduce RareCP, a regime-aware retrieval method for adaptive conformal time series prediction. RareCP learns local calibration representations through a mixture of cosine-attention experts that each capture distinct error regimes, while a compact hypernetwork adapts the kernel parameters to track temporal drift. Given a new forecasting context, RareCP retrieves the top-k most relevant calibration examples, assigns similarity weights, and forms a weighted conformal quantile over their signed residuals, yielding asymmetric prediction intervals. The adaptive kernel is trained using a smooth interval score objective, with a parameter-space anchor to a lightweight teacher kernel to preserve stable local representations. On the GIFT-Eval benchmark, RareCP improves interval efficiency over recent conformal baselines and foundation model uncertainty estimates while maintaining empirical coverage. Ablations confirm that regime-specific experts, drift-adaptive kernels, sparse retrieval, and teacher anchoring each contribute to the final performance.
• Abstract（参考訳）: 時系列予測における不確実性定量化の最近の進歩は、共形予測は信頼できる予測間隔を提供できるが、標準共形法は時間依存、ドリフト、不均一なエラーの振る舞いにおいてしばしば非効率であることを示している。 既存の手法は通常、時間とともに誤発見率を更新したり、制約のないキャリブレーションの重みを学習するが、2つの中心となる非定常性(スムーズなドリフトエラー分布と、異なるエラー状態の共存)を明示的に分離しない。 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し、それぞれが異なるエラーレジームをキャプチャし、一方、コンパクトなハイパーネットワークは時間的ドリフトを追跡するためにカーネルパラメータを適応させる。 新しい予測コンテキストが与えられたとき、RareCPはトップkの最も関連性の高いキャリブレーションの例を検索し、類似度重みを割り当て、符号付き残基の上に重み付き共形量子化を形成し、非対称な予測間隔を生じる。 適応カーネルは、スムーズなインターバルスコア目標を用いて訓練され、パラメータ空間アンカーを軽量の教師カーネルに固定し、安定した局所表現を維持する。 GIFT-Evalベンチマークでは、RareCPは経験的カバレッジを維持しつつ、最近のコンフォーマルベースラインと基礎モデルの不確実性推定よりも間隔効率を向上させる。 アブレーションは、レギュラー固有の専門家、ドリフト適応カーネル、スパース検索、教師のアンカーが最終パフォーマンスに寄与することを確認する。

関連論文リスト

• Nonparametric Distribution Regression Re-calibration [3.0204520109309847]
  全体的な予測誤差の最小化は、キャリブレーションよりも情報を優先することをモデルに推奨する。 安全クリティカルな設定では、信頼に値する不確実性推定は狭い間隔よりも価値があることが多い。 条件付きカーネル平均埋め込みに基づく新しい非パラメトリック再校正アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-02-13T11:48:43Z)
• Conformal Prediction Algorithms for Time Series Forecasting: Methods and Benchmarking [0.0]
  時系列の時間的依存関係は、データ交換可能性のコア前提に反する。 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要なカテゴリについて批判的に検討する。 当社はAutoARIMAを、大規模な月次販売データセットのベース予測ツールとして使用しています。
  論文  参考訳（メタデータ） (2026-01-26T14:15:08Z)
• 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)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Approximating Full Conformal Prediction for Neural Network Regression with Gauss-Newton Influence [8.952347049759094]
  我々は、保留データなしで、保留後のニューラルネットワーク回帰器の予測間隔を構築する。 ガウス・ニュートンの影響を利用して1回、局所摂動モデルパラメータを訓練する。
  論文  参考訳（メタデータ） (2025-07-27T13:34:32Z)
• 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)
• 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)
• Normalizing Flows for Conformal Regression [0.0]
  Conformal Prediction (CP)アルゴリズムは、ラベル付きデータに基づいて出力を校正することで予測モデルの不確実性を推定する。 キャリブレーション過程をトレーニングすることで、間隔をローカライズする一般的なスキームを提案する。 PapadopoulosらによるError Reweighting CPアルゴリズム(2008年)とは異なり、このフレームワークは名目と経験的条件の妥当性のギャップを推定できる。
  論文  参考訳（メタデータ） (2024-06-05T15:04:28Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)

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。