論文の概要: Dynamic Regime-Aware Conformal Calibration for Reliable Economic Forecast Intervals under Multiple Distribution Shifts
- arxiv url: http://arxiv.org/abs/2608.17079v1
- Date: Mon, 17 Aug 2026 19:36:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.117169
- Title: Dynamic Regime-Aware Conformal Calibration for Reliable Economic Forecast Intervals under Multiple Distribution Shifts
- Title(参考訳): 複数分布シフト下における信頼性経済予測区間の動的レジーム対応等式校正
- Abstract要約: 等角予測は分布のない予測間隔を提供するが、交換可能性に依存する。
DRACP(Dynamic Regime-Aware Conformal Prediction)を提案する。
DRACPは、密度比、ローカライズされたカーネル、確率論的レジーム認識重み付けと自己調整型オンライン重要度コントローラを組み合わせる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Conformal prediction provides distribution-free prediction intervals but relies on exchangeability, an assumption often violated in economic forecasting because of covariate shift, concept drift, local heterogeneity and latent regimes. We propose Dynamic Regime-Aware Conformal Prediction (DRACP), which combines density-ratio, localized kernel and probabilistic regime-aware weighting with a self-tuning online significance controller in a unified weighted conformal calibration framework. We distinguish three theoretical results: finite-sample validity under oracle importance weights, a coverage-gap bound for estimated weights with rates in effective sample size, and deterministic or regret guarantees for the online controller. We evaluate DRACP against six baselines on 48 real forecasting series covering euro-area and EU-27 HICP inflation, US macroeconomic and energy indicators, and daily financial series. Recent online methods (FACI, strongly-adaptive online conformal prediction and conformal PID) were verified against the authors' implementations. DRACP is not the most efficient method: strongly-adaptive online conformal prediction achieves the best interval score and intervals about 20% narrower. Instead, DRACP provides the most reliable calibration, achieving coverage closest to the nominal 0.90 (0.890), never falling below 0.80 on any series, maintaining the best coverage at all forecast horizons, and performing best during the 2021-2023 inflation surge. The strongly-adaptive method undercovers on 20 of 48 series versus 10 for DRACP. DRACP therefore offers a principled trade-off between calibration and efficiency, favoring reliable coverage when prediction intervals must satisfy coverage standards. An ablation study shows that the online controller and conditional-scale normalization provide most of the performance gain, whereas the weighting components make a smaller contribution.
- Abstract(参考訳): 等式予測は分布のない予測間隔を提供するが、交換可能性に依存し、これは共変量シフト、概念のドリフト、局所的な異質性、潜伏状態によってしばしば経済予測に違反する仮定である。
本稿では,密度比,局所化カーネル,確率論的レジーム認識重み付けと自己調整型オンライン重要度制御を一体化した共形キャリブレーションフレームワークで組み合わせた動的レジーム認識コンフォーマル予測(DRACP)を提案する。
本稿では, オラクル重み付き有限サンプル妥当性, 有効試料サイズで推定された重量に対するカバレッジギャップ, オンラインコントローラに対する決定論的あるいは後悔的保証の3つの理論的結果とを区別する。
DRACPはユーロ圏とEU-27 HICPインフレーション、米国のマクロ経済・エネルギー指標、日次ファイナンシャル・シリーズの6つのベースラインに対して評価する。
近年のオンライン手法(FACI, 高度適応型オンラインコンフォメーション予測, コンフォメーションPID)は, 著者の実装に対して検証されている。
DRACPは、最も効率的な方法ではない。強い適応性のあるオンライン共形予測は、最高のインターバルスコアと約20%狭いインターバルを達成する。
その代わり、DRACPは最も信頼性の高いキャリブレーションを提供し、名目0.90(0.890)に最も近い範囲を達成し、どのシリーズでも0.80以下に落ちず、全ての予測地平線で最高のカバーを維持し、2021-2023年のインフレーション・サージで最高のパフォーマンスを発揮する。
強適応法は DRACP では 10 に対して 48 シリーズ中 20 シリーズで発見される。
したがって、DRACPはキャリブレーションと効率のトレードオフを原則として提供し、予測間隔がカバレッジ標準を満たす必要がある場合に信頼性の高いカバレッジを優先する。
ablation studyによると、オンラインコントローラと条件付きスケールの正規化は性能向上のほとんどに寄与するが、重み付けコンポーネントはより小さな貢献をする。
関連論文リスト
- Set-Preserving Calibration from Conformal P-Values to E-Values [6.673032375204486]
そこで本研究では, 共形p値によって誘導される予測セットを変更することなく, 共形p値をe値に変換する新しいP2Eキャリブレータを提案する。
このe値の定式化は、e値のマージとランダム化における最近の進歩の原則的利用を可能にする。
論文 参考訳(メタデータ) (2026-06-02T13:06:01Z) - Ratio-Variance Regularized Policy Optimization [64.95520246570446]
ポリシ比の分散を明示的に制約することは、信頼領域の制約に対する原則的な局所近似をもたらすことを示す。
本稿では,この制約を実装したR2bf VPO$(Ratio-Variance Regularized Policy Optimization)を紹介する。
論文 参考訳(メタデータ) (2026-05-26T09:53:42Z) - Decoupled Conformal Optimisation: Efficient Prediction Sets via Independent Tuning and Calibration [20.21455697379946]
そこで我々は,列車チューンキャリブレート設計の原則としてデカップリング・コンフォーマル最適化(DCO)を提案する。
DCOは、効率指向構造選択のために独立したチューニングスプリットと、最終共形量子化のための新鮮なキャリブレーションスプリットを使用する。
DCOは,PACスタイルのキャリブレーションに対して,平均予測セットサイズや間隔幅を小さくしながら,名目カバレッジレベルを密に追跡する。
論文 参考訳(メタデータ) (2026-05-18T13:10:21Z) - Active Multiple-Prediction-Powered Inference [2.1710524042938073]
医療のデプロイ後のモニタリングには統計的に有効なラベル効率の方法が必要であるが、クリニックチャートのゴールドスタンダードラベルは高価である。
我々は,各インスタンスをコスト適切な予測器にルーティングし,金標準ラベルを比例してサンプリングし,単一のデプロイ時間に予測を再現する予測能動型推論(AM-PPI)を提案する。
論文 参考訳(メタデータ) (2026-05-08T19:48:57Z) - Optimal Spatio-Temporal Decoupling for Bayesian Conformal Prediction [0.890140378079805]
コンフォーマル予測(CP)は、時間的適応性と安定性のバランスをとるのに苦労する。
最適デカップリングを実現するために,適応状態適応型コンフォーマル予測(SABCP)を提案する。
我々はこのメカニズムの最適性を厳格に証明し、エビデンスしきい値$K$で支配されるミニマックスバイアス分散トレードオフを特定する。
論文 参考訳(メタデータ) (2026-05-01T06:07:07Z) - KMM-CP: Practical Conformal Prediction under Covariate Shift via Selective Kernel Mean Matching [19.67518257951341]
Conformal Prediction (CP) は、交換可能性の下で有限サンプルカバレッジを保証する。
Kernel Mean Matching(KMM)に基づく共形予測フレームワークKMM-CPを提案する。
現実的な分布シフトを伴う分子特性予測ベンチマークの実験により、KMM-CPは既存のアプローチと比較して、カバレッジギャップを50%以上削減することが示された。
論文 参考訳(メタデータ) (2026-03-27T13:44:42Z) - Diffusion Controller: Framework, Algorithms and Parameterization [54.82539154511621]
本稿では,逆拡散サンプリングを(一般化された)線形解法マルコフ決定過程における状態のみの制御として活用する統一的な制御理論的視点を提案する。
このフレームワークでは、制御はトレーニング済みのリバースタイムのトランジションカーネルを再重み付けし、端末の目的と$f$分割コストのバランスをとる。
安定拡散v1.4の実験では、選好調整の勝利率が一貫した上昇を示し、品質効率のトレードオフを改善した。
論文 参考訳(メタデータ) (2026-03-07T01:49:59Z) - 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) - Confidence-aware Fine-tuning of Sequential Recommendation Systems via Conformal Prediction [46.76846936581471]
Sequential Recommendation Systems (SRecsys)では、クロスエントロピー(CE)損失に依存する従来のトレーニングアプローチは、精度を優先することが多いが、ユーザの満足度指標とうまく一致しない。
コンフォーマル予測(CP)に基づく損失をCE損失と統合した新しい微調整フレームワークである textbfCPFT を提案する。
論文 参考訳(メタデータ) (2024-02-14T06:43:02Z) - Does confidence calibration improve conformal prediction? [10.340903334800787]
適応型共形予測において、電流信頼度校正法がより大きな予測セットをもたらすことを示す。
温度値の役割を調べることにより,高信頼度予測が適応型等角予測の効率を高めることが確認された。
本稿では,予測セットの効率を向上させるために,新しい損失関数を備えた温度スケーリングの変種である Conformal Temperature Scaling (ConfTS) を提案する。
論文 参考訳(メタデータ) (2024-02-06T19:27:48Z) - Equal Opportunity of Coverage in Fair Regression [50.76908018786335]
我々は、予測の不確実性の下で公正な機械学習(ML)を研究し、信頼性と信頼性のある意思決定を可能にする。
本研究は,(1)類似した結果の異なる集団に対するカバー率が近いこと,(2)人口全体のカバー率が一定水準にあること,の2つの特性を達成することを目的としたカバーの平等機会(EOC)を提案する。
論文 参考訳(メタデータ) (2023-11-03T21:19:59Z) - Federated Conformal Predictors for Distributed Uncertainty
Quantification [83.50609351513886]
コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。
本稿では,共形予測を連邦学習環境に拡張する。
本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
論文 参考訳(メタデータ) (2023-05-27T19:57:27Z)
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。