論文の概要: Online Conformal Prediction for Non-Exchangeable Panel Data

• arxiv url: http://arxiv.org/abs/2605.17705v1
• Date: Mon, 18 May 2026 00:02:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.409232
• Title: Online Conformal Prediction for Non-Exchangeable Panel Data
• Title（参考訳）: 非交換性パネルデータのオンラインコンフォーマル予測
• Authors: Daohong Tu, Kay Giesecke,
• Abstract要約: 交換不能なパネルデータのための簡単なオンラインコンフォメーションフレームワークを提案する。 この手法はオンラインパネル予測の重要な特徴を生かし、1つのユニットに予測が必要な場合、関連ユニットからの同時結果がすでに観測されている。
• 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: Panel data, in which multiple units are repeatedly observed over time, arise throughout science and engineering. Quantifying predictive uncertainty in such settings is challenging because conformal prediction, while distribution-free and model-agnostic, classically relies on exchangeability assumptions that fail under temporal dependence and unit heterogeneity. We propose a simple online conformal framework for non-exchangeable panel data. The method exploits a key feature of online panel prediction: when a forecast is required for one unit, contemporaneous outcomes from related units may already be observed and can serve as a calibration panel. At each round, prediction sets are formed using currently observed calibration units together with two adaptive quantities: history-based similarity weights that emphasize calibration units resembling the target, and an adaptive miscoverage level that is updated whenever target feedback is revealed. This two-state design yields a stepwise coverage bound and a long-run coverage guarantee. Empirically, across synthetic and real panel data sets, the method improves coverage on the worst-covered target units through adaptive interval-width allocation rather than uniform inflation. The two states are complementary: similarity weights protect coverage when target feedback is sparse, while the adaptive level further improves coverage as feedback accumulates.
• Abstract（参考訳）: 複数のユニットが繰り返し観測されるパネルデータは、科学と工学を通して発生する。 このような設定における予測の不確実性の定量化は、分布自由でモデルに依存しないが、古典的には時間的依存や単位の不均一性の下で失敗する交換可能性の仮定に依存しているため、困難である。 交換不能なパネルデータのための簡単なオンラインコンフォメーションフレームワークを提案する。 オンラインパネル予測の重要な特徴を生かし、ある単位に対して予測が必要な場合、関連する単位からの同時結果がすでに観測されており、校正パネルとして機能することができる。 各ラウンドでは、現在観測されているキャリブレーション単位と、目標に類似したキャリブレーション単位を強調する履歴ベースの類似度重みと、目標フィードバックが露呈するたびに更新される適応的誤発見レベルの2つの適応量とを用いて予測セットを形成する。 この2状態の設計は、ステップワイズカバレッジバウンドと長期カバレッジ保証をもたらす。 経験的には、合成パネルと実パネルのデータセットを通して、均一なインフレーションではなく、適応的な間隔割り当てによって、最悪の対象ユニットのカバレッジを改善する。 2つの状態は相補的であり、類似度重みは目標フィードバックが疎いときにカバレッジを保護し、適応レベルはフィードバックが蓄積されるにつれてカバレッジをさらに改善する。

関連論文リスト

• CREDO: Epistemic-Aware Conformalized Credal Envelopes for Regression [3.6457570471698095]
  両強みを組み合わせたシンプルな「クレーダル・テンコンフォーマル化」レシピであるCREDOを紹介する。 CREDOはまず、地元の証拠が弱いときに拡大する解釈可能なクレダルエンベロープを構築し、次にこのエンベロープの上にスプリット・コンフォメーション・キャリブレーションを適用して、限界範囲のカバレッジを保証する。 この役割の分離は解釈可能な予測間隔をもたらす。
  論文  参考訳（メタデータ） (2026-03-06T19:37:21Z)
• 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)
• 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)
• Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
  有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。 本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:01:56Z)
• Adaptive Conformal Inference by Particle Filtering under Hidden Markov Models [8.505262415500168]
  本稿では,この問題に対処するための粒子フィルタリング手法を活用する適応型共形推論フレームワークを提案する。 観測不能な隠れ状態に直接焦点をあてるのではなく、隠れ状態の実際の後部分布の近似として重み付き粒子を革新的に利用する。
  論文  参考訳（メタデータ） (2024-11-03T13:15:32Z)
• Adaptive Uncertainty Quantification for Generative AI [0.0]
  分割コンフォーマルな推論を反映して、整合性のスコアを校正するブラックボックスアルゴリズムのラッパーを設計する。 校正セット上の適合点に頑健な回帰木を嵌合させることにより適応的分割を実現する。 従来のスプリット・コンフォーマルな推論とは異なり、適応的な分割とグループ内キャリブレーションは、局所的に拡張および縮小できる適応バンドをもたらす。
  論文  参考訳（メタデータ） (2024-08-16T19:37:33Z)
• 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)
• 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)
• 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。