論文の概要: Conformal Prediction for Time Series with Deep Sequence Models

• arxiv url: http://arxiv.org/abs/2610.02357v1
• Date: Thu, 01 Oct 2026 18:34:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.045547
• Title: Conformal Prediction for Time Series with Deep Sequence Models
• Title（参考訳）: 深部系列モデルを用いた時系列の等角予測
• Abstract要約: コンフォーマル予測(Conformal prediction)は、カバレッジ保証付き予測間隔を構築するための分散フリーフレームワークである。 ディープシーケンスモデルは、しばしば時系列の共形予測に使用される。 時系列の共形予測にディープシークエンスモデルをいかに活用できるかを示す。
• 参考スコア（独自算出の注目度）: 12.500175984325077
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advances in deep learning for time series prediction have amplified the need for reliable uncertainty quantification. Conformal prediction has gained attention as a distribution-free framework for constructing prediction intervals with coverage guarantees. However, its coverage guarantees rely on data exchangeability, an assumption generally violated in time series. Active research has focused on developing conformal prediction methods for time series that overcome this limitation. While deep sequence models, such as recurrent neural networks and Transformers, have often been used in conformal prediction for time series, limited work has systematically studied how deep sequence models can be utilized in conformal prediction for time series. In this work, we systematically investigate the use of deep sequence models in conformal prediction for time series through three approaches: conditional quantile regression, conditional quantile function estimation, and localized conformal prediction. We provide a theoretical analysis establishing asymptotic conditional coverage guarantees for all three approaches under suitable assumptions. Through comprehensive experiments on real-world datasets, we demonstrate the effectiveness of leveraging deep sequence models into conformal prediction for time series.
• Abstract（参考訳）: 時系列予測のためのディープラーニングの最近の進歩は、信頼性のある不確実性定量化の必要性を増幅している。 コンフォーマル予測は、カバレッジ保証付き予測区間を構築するための分布自由フレームワークとして注目されている。 しかし、そのカバレッジはデータ交換可能性に依存していることを保証している。 活発な研究は、この制限を克服する時系列の共形予測手法の開発に重点を置いている。 リカレントニューラルネットワークやトランスフォーマーのようなディープシーケンスモデルは、しばしば時系列の共形予測に使用されるが、制限された研究は、時系列の共形予測にディープシーケンスモデルをどのように活用するかを体系的に研究してきた。 本研究では,条件付き量子化回帰,条件付き量子化関数推定,局所化共形予測という3つの手法を用いて,時系列の共形予測における深部配列モデルの利用を体系的に検討する。 適切な仮定の下で,3つのアプローチすべてに対して漸近的条件付きカバレッジを保証する理論解析を行う。 実世界のデータセットに関する総合的な実験を通じて、時系列の共形予測にディープシーケンスモデルを活用する効果を実証する。

関連論文リスト

• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• 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)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Sequential Predictive Conformal Inference for Time Series [16.38369532102931]
  逐次データ(例えば時系列)に対する分布自由共形予測アルゴリズムを提案する。 具体的には,時系列データは交換不可能であり,既存の共形予測アルゴリズムでは適用できない性質を具体的に説明する。
  論文  参考訳（メタデータ） (2022-12-07T05:07:27Z)
• Prediction of hierarchical time series using structured regularization and its application to artificial neural networks [4.696083734269231]
  本稿では,各上位時系列を適切な下位時系列を和らげて計算する階層時系列の予測について論じる。 このような階層的時系列の予測はコヒーレントでなければならない。つまり、上位級時系列の予測は対応する下位級時系列の予測の総和と等しい。
  論文  参考訳（メタデータ） (2020-07-30T00:30:32Z)
• Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
  本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。 ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。 我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
  論文  参考訳（メタデータ） (2020-06-20T03:29:02Z)

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。