論文の概要: Leave a Window Out: Modifying the Jackknife for Predictive Inference in Time Series

• arxiv url: http://arxiv.org/abs/2605.30292v1
• Date: Thu, 28 May 2026 17:41:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.642278
• Title: Leave a Window Out: Modifying the Jackknife for Predictive Inference in Time Series
• Title（参考訳）: ウィンドウを外す: 時系列の予測推論のためにJackknifeを変更する
• Authors: Hanyang Jiang, Rina Foygel Barber, Ashwin Pananjady, Yao Xie,
• Abstract要約: 軽度の時間的依存を伴う標準時系列モデルにおいても,バニラ脱落型ジャックナイフは任意のカバレッジの損失を被る可能性が示唆された。 そこで我々は,このような設定に合わせて,Emphleave-a-window-out (LWO) 手法を慎重に提案する。
• 参考スコア（独自算出の注目度）: 16.625550992320004
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal prediction methods enjoy strong theoretical and empirical predictive inference performance, provided the data is exchangeable, and predictors are trained in a memoryless fashion. However, these assumptions and constraints are impractical in many real-data settings, such as time series (where temporal dependence violates exchangeability, and where memoryless predictors will inevitably have poor predictive accuracy). Recent work shows that the split conformal prediction method is robust to these issues of memory-based predictors and deviations from exchangeability that are common features of time-series data. However, since using sample splitting can lead to lower accuracy, this motivates asking whether other predictive inference methods (that do not rely on data splitting) could also be reliably used in the time series setting. In this work, we show that the vanilla leave-one-out jackknife can suffer an arbitrary loss of coverage even in canonical time series models with mild temporal dependence. As a remedy, we propose a careful modification tailored to such settings, which we term the \emph{leave-a-window-out} (LWO) method, and show that it can achieve valid coverage provided that the model-fitting procedure satisfies mild stability properties. Our proofs are based on quantifying the degree to which the data departs from \emph{cyclic exchangeability}, and we introduce new coefficients to measure the extent of this departure. Experiments on time series data demonstrate that our LWO method often enjoys valid coverage when the vanilla jackknife fails to cover, while producing much narrower intervals than split conformal prediction.
• Abstract（参考訳）: コンフォーマル予測手法は、データを交換可能であり、予測者が記憶のない方法で訓練される場合、理論的および経験的予測性能を強く享受する。 しかし、これらの仮定と制約は、時系列(時間的依存が交換可能性に反し、メモリレス予測器が必然的に予測精度が劣る)のような多くの実データ設定では実用的ではない。 最近の研究は、分割共形予測法は、メモリベースの予測や、時系列データの一般的な特徴である交換可能性からの逸脱といったこれらの問題に対して堅牢であることを示している。 しかし、サンプル分割を用いることで精度が低下する可能性があるため、他の予測推論手法(データ分割に依存しない)が時系列設定で確実に使用できるかどうかを問うモチベーションとなる。 本研究では,バニラ・アウト・ワン・アウト・ジャックナイフが,時間依存性が緩やかである標準時系列モデルにおいても,任意のカバレッジを損なう可能性があることを示す。 そこで本研究では, モデル適合方式が軽度安定性特性を満たすことを前提として, 有効カバレッジを達成可能であることを示す。 我々の証明は、データが 'emph{cyclic exchangeability' から離脱する程度を定量化することに基づいており、この離脱の程度を測定するために新しい係数を導入する。 時系列データを用いた実験により、我々のLWO法は、バニラ・ジャックナイフがカバーできない場合にしばしば有効なカバレッジを享受し、一方で、分割された共形予測よりもはるかに狭い間隔を生じることが示された。

関連論文リスト

• Interpretable Multivariate Conformal Prediction with Fast Transductive Standardization [11.505405148959618]
  本稿では,複数の,潜在的に関連する数値出力に対して,厳密な同時予測区間を構築するための共形予測手法を提案する。 この方法は、任意のマルチターゲット回帰モデルと組み合わせて、有限サンプルカバレッジを保証する。 中心となる考え方は、出力次元にまたがる残差を直接的に比較する新しいエンフィコーディネートワイド標準化手順である。
  論文  参考訳（メタデータ） (2025-12-17T12:36:00Z)
• A Gentle Introduction to Conformal Time Series Forecasting [0.0]
  このレビューは、非交換可能データに対処するために特別に設計された共形予測手法の最近の進歩をまとめるものである。 まず,弱依存性条件下での分割等角予測に対する有限サンプル保証を導出する理論的基礎を提示する。 次に、キャリブレーションデータを再重み付けしたり、残留分布を動的に更新したり、ターゲットのカバレッジレベルをリアルタイムで調整したりすることで、シリアル依存を軽減する最先端のアプローチを調査し、分類する。
  論文  参考訳（メタデータ） (2025-11-17T17:12:51Z)
• 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)
• Predictive inference for time series: why is split conformal effective despite temporal dependence? [8.032656343027146]
  コンフォーマル予測法は、任意の iid または交換可能なデータ分布に対して、分布のないカバレッジを提供する。 自動回帰モデルのような過去の観測を利用する予測器は、この問題をさらに悪化させる。 この結果から, 時系列内の時間的依存が交換可能性に違反する程度を計測し, 新たな「スウィッチ係数」を用いて, これらの手法のカバレッジを損なうことが示唆された。
  論文  参考訳（メタデータ） (2025-10-02T18:24:04Z)
• 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)
• Non-exchangeable Conformal Prediction with Optimal Transport: Tackling Distribution Shifts with Unlabeled Data [13.788274786492286]
  コンフォーマル予測は、分散のない不確実性定量化手法であり、機械学習コミュニティで人気を博している。 最も一般的な変種であるスプリット共形予測は、モデルがまだ見ていないキャリブレーションデータに基づくモデル予測の統計を収集するため、計算的に効率的である。 対象範囲の損失を推定し,任意の分布シフトを緩和し,原理的かつ広く適用可能なソリューションを提供することが可能であることを示す。
  論文  参考訳（メタデータ） (2025-07-14T16:10:55Z)
• 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)
• SMURF-THP: Score Matching-based UnceRtainty quantiFication for Transformer Hawkes Process [76.98721879039559]
  SMURF-THPは,変圧器ホークス過程を学習し,予測の不確かさを定量化するスコアベース手法である。 具体的には、SMURF-THPは、スコアマッチング目標に基づいて、イベントの到着時刻のスコア関数を学習する。 我々は,イベントタイプ予測と到着時刻の不確実性定量化の両方において,広範な実験を行う。
  論文  参考訳（メタデータ） (2023-10-25T03:33:45Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)

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。