論文の概要: Retrieval-Corrected Conformal Prediction for Time Series

• arxiv url: http://arxiv.org/abs/2608.10553v1
• Date: Tue, 11 Aug 2026 06:43:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.930303
• Title: Retrieval-Corrected Conformal Prediction for Time Series
• Title（参考訳）: 時系列の検索補正等角予測
• Abstract要約: Conformal Prediction (CP) は、固定予測器に対して分布のない予測間隔を提供する。 最近の時系列CP法は,最近,重み付け,あるいは局所化残差を用いた局所キャリブレーションを改善する。 局所キャリブレーションは、広範囲の残留重み付けや追加の適応手順が、現在の予測に最も関係のある証拠を減弱する可能性があるため、間接的に継続することができる。 本稿では,時系列予測区間に対する検索拡張キャリブレーション手法である検索補正等式予測(RCCP)を提案する。
• 参考スコア（独自算出の注目度）: 31.867011243141818
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal prediction (CP) provides distribution-free prediction intervals for fixed forecasters, but its standard calibration procedure is often inefficient for time series data, where forecast errors are temporally dependent and change across time and operating conditions. Recent time series CP methods improve local calibration using recent, weighted, or localized residuals. Yet local calibration can remain indirect, since broad residual weighting or additional adaptation procedures may dilute the evidence most relevant to the current prediction. This motivates a simple retrieval and correction strategy that selects similar past residuals as local evidence and then corrects the coverage error left by retrieval. In this paper, we propose Retrieval--Corrected Conformal Prediction (RCCP), a retrieval-augmented calibration method for time series prediction intervals. RCCP builds an asymmetric interval from retrieved one-sided residuals and calibrates its normalized retrieval error with a scalar conformal correction. Thus, retrieval provides local residual evidence, while conformal correction determines the final scale needed for coverage. We provide a coverage-gap bound based on the stability of the normalized retrieval error distribution. Across standard benchmarks and backbone forecasters, RCCP attains the target coverage in every setting and achieves the lowest Winkler scores, with fewer severe misses. RCCP also achieves low calibration and inference overhead, showing that retrieval-corrected calibration is an effective and scalable approach to uncertainty quantification in time series forecasting. Code is available at https://github.com/jinsaaang/rccp.
• Abstract（参考訳）: コンフォーマル予測(CP)は、固定予測器に対して分布のない予測間隔を提供するが、標準的なキャリブレーション手順はしばしば時系列データでは非効率である。 最近の時系列CP法は,最近,重み付け,あるいは局所化残差を用いた局所キャリブレーションを改善する。 しかし、局所的なキャリブレーションは、広範囲の残留重み付けや追加の適応手順が、現在の予測に最も関係のある証拠を減らしてしまう可能性があるため、間接的に残ることができる。 これは、類似した過去の残余を局所的な証拠として選択し、検索によって残されるカバレッジエラーを修正する、単純な検索と修正戦略を動機付けている。 本稿では,時系列予測区間の検索拡張キャリブレーション法であるRetrieval-Corrected Conformal Prediction (RCCP)を提案する。 RCCPは、取得した片側残差から非対称間隔を構築し、正規化検索誤差をスカラー整列補正で校正する。 このように、検索は局所的な残留証拠を提供するが、共形補正はカバレッジに必要な最終的なスケールを決定する。 正規化された検索誤差分布の安定性に基づいたカバレッジギャップ境界を提供する。 標準ベンチマークとバックボーン予測器全体で、RCCPは各設定でターゲットカバレッジを獲得し、Winklerスコアが最低で、深刻なミスが少ない。 RCCPはまた、検索補正キャリブレーションが時系列予測における不確実性定量化に対する有効かつスケーラブルなアプローチであることを示し、低いキャリブレーションと推論オーバーヘッドも達成している。 コードはhttps://github.com/jinsaaang/rccp.comで入手できる。

関連論文リスト

• Beyond Marginal Validity: Finite-Sample Guarantees for Localized Conformal Prediction [25.59471163637912]
  コンフォーマル予測は、有限サンプルで分布のない辺縁被覆を持つ任意のブラックボックス予測子を与える。 我々は、条件付き妥当性とオラクル効率を協調的に制御する実現された局所集合に対して有限サンプル保証を提供する。 スコアがピボットスコアを目標とする場合、均一な局所保証は固定スコアキャリブレーションと均一なスコア推定誤差に分解される。
  論文  参考訳（メタデータ） (2026-08-06T15:59:57Z)
• Discovery of Hidden Miscalibration Regimes [52.452902154360565]
  モデルは何らかの入力を体系的に過信し、他人を過信することがある。 対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。 提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
  論文  参考訳（メタデータ） (2026-05-13T13:07:50Z)
• 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)
• When Can We Reuse a Calibration Set for Multiple Conformal Predictions? [0.0]
  我々は,e-conformal predictionとHoeffdingの不等式が組み合わさって,単一校正集合の繰り返し使用を可能にすることを示す。 我々は、ディープニューラルネットワークをトレーニングし、キャリブレーションセットを使用して、Hoeffdingの補正を推定する。 この補正により、修正マルコフの不等式を適用することができ、定量化された信頼度を持つ予測セットを構築することができる。
  論文  参考訳（メタデータ） (2025-06-24T14:57:25Z)
• 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)
• Rethinking Early Stopping: Refine, Then Calibrate [49.966899634962374]
  キャリブレーション・リファインメント分解の新規な変分定式化について述べる。 我々は,校正誤差と精錬誤差が訓練中に同時に最小化されないという理論的,実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2025-01-31T15:03:54Z)
• 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)
• Calibration by Distribution Matching: Trainable Kernel Calibration Metrics [56.629245030893685]
  カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。 これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。 決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
  論文  参考訳（メタデータ） (2023-10-31T06:19:40Z)
• Adaptive Conformal Regression with Jackknife+ Rescaled Scores [7.176758110912026]
  コンフォーマル回帰は、グローバルなカバレッジ保証を伴う予測間隔を提供するが、しばしば局所的なエラー分布をキャプチャできない。 そこで本研究では,局所的なスコア分布を推定し,コンフォーマルスコアの再スケーリングに基づく新しい適応手法を用いてこの問題に対処する。 提案手法は, 公式なグローバルカバレッジ保証を保証し, キャリブレーションスコアのアフターリバウンドを含む, 局所カバレッジに関する新たな理論的結果によって支持される。
  論文  参考訳（メタデータ） (2023-05-31T14:32:26Z)
• Localized Calibration: Metrics and Recalibration [133.07044916594361]
  完全大域キャリブレーションと完全個別化キャリブレーションのギャップにまたがる細粒度キャリブレーション指標を提案する。 次に,局所再校正法であるLoReを導入し,既存の校正法よりもLCEを改善する。
  論文  参考訳（メタデータ） (2021-02-22T07:22:12Z)
• Calibration of Neural Networks using Splines [51.42640515410253]
  キャリブレーション誤差の測定は、2つの経験的分布を比較します。 古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。 提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
  論文  参考訳（メタデータ） (2020-06-23T07:18:05Z)

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。