論文の概要: Distribution-Aware Conformal Prediction: A Framework for generating efficient prediction intervals for time series

• arxiv url: http://arxiv.org/abs/2605.26569v1
• Date: Tue, 26 May 2026 05:38:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.684826
• Title: Distribution-Aware Conformal Prediction: A Framework for generating efficient prediction intervals for time series
• Title（参考訳）: 分布を考慮したコンフォーマル予測:時系列の効率的な予測間隔を生成するフレームワーク
• Authors: Daniel Schweizer, Peter Kuhn, Jayant Sharma, Shivali Dubey, Malte von Ramin, Christoph Brockt-Haßauer,
• Abstract要約: 本稿では,モンテカルロのドロップアウト,深層アンサンブル,および量子レグレッションとスコア非依存の共形キャリブレーションといった確率的予測器を統合し,有効かつ効率的な予測間隔を生成する統合フレームワークである分散対応コンフォーマル予測(DCP)を提案する。 合成および実世界の時系列データに関するベンチマーク分析は、DCPが様々な不確実な状況下で予測間隔を適応的に調整する能力を示している。
• 参考スコア（独自算出の注目度）: 0.020991077797287677
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Distribution-aware Conformal Prediction (DCP), a unified framework integrating probabilistic predictors like Monte Carlo dropout, deep ensembles, and quantile regression with score-agnostic conformal calibration to produce valid and efficient prediction intervals. Leveraging a numerical inversion approach to construct interval bounds, DCP accommodates arbitrary combinations of distribution generating predictors and nonconformity scores. Benchmark analysis on synthetic and real-world time series data demonstrate DCP's ability to adaptively calibrate prediction intervals under varying uncertainty regimes. Crucially, DCP's modular design facilitates plug-and-play experimentation with different predictor-score pairings, quantitatively supported by a newly introduced modified Winkler score that balances validity and efficiency by explicitly penalizing undercoverage. While DCP generalizes and extends existing approaches like Conformalized Quantile Regression and Conformalized Monte Carlo, its modular design allows further extensions, setting a foundation for advancing uncertainty quantification in dynamic environments and high-risk applications.
• Abstract（参考訳）: 本稿では,モンテカルロのドロップアウト,深層アンサンブル,および量子レグレッションとスコア非依存の共形キャリブレーションといった確率的予測器を統合し,有効かつ効率的な予測間隔を生成する統合フレームワークである分散対応コンフォーマル予測(DCP)を提案する。 DCPは、区間境界を構成する数値逆法を利用して、分布生成予測器と非整合スコアの任意の組み合わせを許容する。 合成および実世界の時系列データに関するベンチマーク分析は、DCPが様々な不確実な状況下で予測間隔を適応的に調整する能力を示している。 重要なことに、DCPのモジュラー設計は様々な予測器とスコアのペアリングによるプラグ・アンド・プレイの実験を容易にする。 DCP は Conformalized Quantile Regression や Conformalized Monte Carlo のような既存のアプローチを一般化し拡張するが、モジュラー設計によりさらなる拡張が可能となり、動的環境や高リスクアプリケーションにおける不確実な定量化を前進させる基盤となる。

関連論文リスト

• Multi-Variable Conformal Prediction: Optimizing Prediction Sets without Data Splitting [16.714269073574428]
  多変数共形予測(MCP)は,共形予測関数を複数の同時変数で拡張するフレームワークである。 我々は、RemMCPとRelMCPが、目標カバレッジセットサイズよりも小さいか同等の予測セットサイズで、常に目標カバレッジ問題に適合することを実証した。
  論文  参考訳（メタデータ） (2026-05-12T16:19:51Z)
• 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)
• 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)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• 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)
• Distributed Conformal Prediction via Message Passing [33.306901198295016]
  Conformal Prediction (CP)は、堅牢なポストホックキャリブレーションフレームワークを提供する。 CPによる信頼性推論を実現するために,メッセージパスに基づく2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-01-24T14:47:42Z)
• Semiparametric conformal prediction [79.6147286161434]
  ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。 スコアの累積分布関数(CDF)を柔軟に推定する。 提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Distributional Gradient Boosting Machines [77.34726150561087]
  私たちのフレームワークはXGBoostとLightGBMをベースにしています。 我々は,このフレームワークが最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2022-04-02T06:32:19Z)
• Ensemble Conformalized Quantile Regression for Probabilistic Time Series Forecasting [4.716034416800441]
  本稿では,アンサンブル共形量子化回帰(EnCQR)と呼ばれる新しい確率予測手法を提案する。 EnCQRは、分布のないほぼ妥当な予測間隔(PI)を構築し、非定常およびヘテロセダスティック時系列データに適しており、任意の予測モデルの上に適用することができる。 その結果、EnCQRは量子レグレッションやコンフォメーション予測のみに基づくモデルよりも優れており、よりシャープで、より情報的で、有効なPIを提供することが示された。
  論文  参考訳（メタデータ） (2022-02-17T16:54:20Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。