論文の概要: Model-Agnostic Online Certificate-Driven Calibration for Time Series Forecasting Under Distribution Shift

• arxiv url: http://arxiv.org/abs/2609.31960v1
• Date: Fri, 25 Sep 2026 20:06:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 04:20:12.252195
• Title: Model-Agnostic Online Certificate-Driven Calibration for Time Series Forecasting Under Distribution Shift
• Title（参考訳）: 配電シフト下における時系列予測のためのモデル非依存オンライン認証型校正
• Abstract要約: 本稿では,時間的依存と分散シフトの下で有限サンプル証明書を生成するモデルに依存しないオンラインマーチンゲールフレームワークを提案する。 オンラインキャリブレーションは、予測前に観測されたターゲットウィンドウから計算されたソースリスクアンカー、後続のペナルティ、タイムアダプティブなミスマッチ項を組み合わせる。
• 参考スコア（独自算出の注目度）: 10.67793818865128
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series out-of-distribution generalization requires forecasters to remain reliable when deployment dynamics differ from training conditions due to covariate shift, concept shift, and temporal dependence. Probably Approximately Correct Bayesian domain adaptation provides computable certificates by decomposing target risk into a source risk term, a source-to-target mismatch term, and a complexity term, but standard analyses rely on independent sampling and distributional stability, assumptions that are violated in time series by serial dependence and nonstationary shift. We propose a model-agnostic online martingale Probably Approximately Correct Bayesian framework that yields finite-sample certificates under temporal dependence and distribution shift. The certificate replaces independent-sample concentration with martingale concentration that adapts to loss scale and predictable variation. We use the certificate as a surrogate regularizer for online calibration by training a gated residual Bayesian head on top of a fixed forecasting backbone, producing a corrective update that reverts to the backbone prediction when the gate is closed. Online calibration combines a source risk anchor, a posterior-shift penalty, and a time-adaptive mismatch term computed from target windows observed before forecasting. It follows a predict-then-update protocol in which outcomes become available only after forecasting and are used to update subsequent predictions. Experiments across convolutional, attention-based, and large language model-based forecasters show improved stability and accuracy under covariate and concept shift.
• Abstract（参考訳）: 時系列のアウト・オブ・ディストリビューションの一般化は、展開ダイナミクスが共変量シフト、概念シフト、時間的依存によってトレーニング条件と異なる場合、予測者が信頼性を維持する必要がある。 おそらく、ほぼ正しいベイズ領域の適応は、ターゲットリスクをソースリスク項、ソースからターゲットへのミスマッチ項、複雑性項に分解することで計算可能な証明書を提供するが、標準解析は独立したサンプリングと分布安定性、時系列で破られる仮定、シリアル依存と非定常シフトに依存している。 本稿では,時間的依存と分布シフトの下で有限サンプル証明書を出力する,モデルに依存しないオンラインマーチンゲールについて提案する。 この証明書は、独立サンプル濃度をマーチンゲール濃度に置き換え、損失スケールと予測可能な変動に適応する。 固定された予測バックボーン上のゲート残留ベイズヘッドをトレーニングし、ゲートが閉じられたときにバックボーンの予測に戻す補正更新を生成することで、オンラインキャリブレーションのためのサロゲートレギュレータとしてこの証明書を使用する。 オンラインキャリブレーションは、予測前に観測されたターゲットウィンドウから計算されたソースリスクアンカー、後続のペナルティ、タイムアダプティブなミスマッチ項を組み合わせる。 このプロトコルは、予測後にのみ結果が利用可能になり、その後の予測を更新するために使用される予測更新プロトコルに従っている。 畳み込み型,注目型,および大規模言語モデルに基づく予測実験では,共変量および概念シフトの下での安定性と精度が向上した。

関連論文リスト

• Adaptive Multi-Scale Forecasting and Gate-Localized Conformal Prediction for Multivariate Nonstationary Time Series [7.704601239153111]
  ABF-T-GLCPは非定常時系列の予測と不確実性定量化のためのモデルに依存しないフレームワークである。 予測モジュールは、学習ゲートを通じて地平線固有の時間的専門家を結合し、スパース予測転送を使用して予測を洗練する。 不確実性モジュールであるGate-Localized Conformal Predictionは、学習されたゲート状態と時間的回帰を利用して、局所的に関連するキャリブレーション残差を選択する。
  論文  参考訳（メタデータ） (2026-07-25T11:46:38Z)
• 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)
• Adaptive Conformal Anomaly Detection with Time Series Foundation Models for Signal Monitoring [1.7149326108409726]
  時系列監視のためのポストホック適応型共形異常検出法を提案する。 本手法は,誤報率(p値)として直接解釈可能な,解釈可能な異常スコアを生成する。 モデルに依存しないソリューションとして、ファンデーションモデルとシームレスに統合し、リソース制約のある環境での迅速なデプロイをサポートする。
  論文  参考訳（メタデータ） (2026-04-22T02:39:46Z)
• Conformal Prediction Algorithms for Time Series Forecasting: Methods and Benchmarking [0.0]
  時系列の時間的依存関係は、データ交換可能性のコア前提に反する。 本稿では,この対立に対処するために設計されたアルゴリズム解の主要なカテゴリについて批判的に検討する。 当社はAutoARIMAを、大規模な月次販売データセットのベース予測ツールとして使用しています。
  論文  参考訳（メタデータ） (2026-01-26T14:15:08Z)
• 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)
• 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)
• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• 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)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。