論文の概要: Prediction-powered inference for time series across space
- arxiv url: http://arxiv.org/abs/2610.08715v1
- Date: Tue, 06 Oct 2026 17:22:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:30.145514
- Title: Prediction-powered inference for time series across space
- Title（参考訳）: 空間横断時系列の予測による推論
- Abstract要約: データは多くの空間的位置で観測される。
目標は、それぞれの空間的位置において、将来予想されるラベルを推定することである。
提案手法は自然の代替よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 6.8105881961692925
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The following motif is common in spatiotemporal settings: we have a sequence of covariate and label pairs observed for a relatively short, recent time period. We have access to unlabeled covariates over a longer time period. Data is observed over many spatial locations. For instance, crop yield might be observed over a large geographical area for recent years, but weather data (which is informative about crop yield) is available for a much longer period. The goal is to estimate, at each spatial location, the expected label (e.g., crop yield) in the future and provide a valid confidence interval for this value. The observed time period alone is too short for reliable estimates. Imputing missing labels with machine learning can cause substantial bias. Prediction-powered inference (PPI) can correct for this bias, but it relies on an i.i.d. assumption that breaks under our expected temporal dependencies. Heteroskedasticity and autocorrelation consistent (HAC) procedures account for temporal correlation, but have not been adapted to cases where some labels are imputed. We provide reliable point estimates and confidence intervals given: short labeled time series (across spatial locations), a longer unlabeled time series, and an imperfect predictor of labels given covariates. We show our method outperforms natural alternatives.
- Abstract（参考訳）: 下記のモチーフは時空間設定において一般的であり、比較的短い最近の期間において、共変量とラベルのペアのシーケンスが観察されている。
私たちは長い期間にわたってラベルなしの共変体にアクセスできます。
データは多くの空間的位置で観測される。
例えば、近年は広い地理的領域で作物の収穫が観測されているが、気象データ(収穫に関する情報である)はより長い期間利用できる。
目標は、それぞれの空間的位置において、将来期待されるラベル(例えば、収穫量)を推定し、この値に対して有効な信頼区間を提供することである。
観測期間だけでは、信頼できる推定には短すぎる。
機械学習によるラベルの欠落は、かなりのバイアスを引き起こす可能性がある。
予測駆動推論(PPI)は、このバイアスを補正できるが、予想される時間的依存の下で破られる仮定に依存している。
Heteroskedasticity and autocorrelation consistent (HAC) は時間的相関を考慮に入れているが,いくつかのラベルが挿入された症例には適応していない。
信頼性のある点推定と信頼区間: 短いラベル付き時系列(全空間的位置)、長いラベル付き時系列、ラベル付き共変量の不完全な予測器を提供する。
我々は本手法が自然の代替よりも優れていることを示す。
関連論文リスト
- The Label Defines the Timescale: Trait-State Limits of Temporal-Aggregate Learning [1.2292186162350942]
本研究は, ガウス過程が安定な個体特性と相関する個体内状態の両方を含む場合, $_g,T=T-1int_0T gZ(t), mathrmdt$ のラベルについて検討する。
正確なプロトコル条件のベイズリスクIDは共通のツールを提供する。
論文 参考訳（メタデータ） (2026-08-03T01:44:01Z) - Spatially Robust Inference with Predicted and Missing at Random Labels [2.5574009994099196]
交差フィットは空間分散推定器を歪ませ、不安定あるいは過度に保守的な信頼区間を生じる折りたたみレベルの相関を誘導することを示す。
また、折りたたみ雑音から依存を分離するジャックニフェ空間異方性と自動整合性(HAC)の分散補正を提案する。
論文 参考訳（メタデータ） (2026-03-11T23:14:21Z) - DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。
本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
論文 参考訳（メタデータ） (2025-10-28T16:09:59Z) - 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) - Rethinking Remaining Useful Life Prediction with Scarce Time Series Data: Regression under Indirect Supervision [4.335413713700667]
本稿では,パラメータ化静的回帰(パラメータ化静的回帰)と呼ばれる統合フレームワークを導入する。
提案手法は,非常に少ない時系列データを扱う場合の予測精度において,競合性能を示す。
論文 参考訳（メタデータ） (2025-04-12T13:14:35Z) - Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。
この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。
さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
論文 参考訳（メタデータ） (2024-08-08T17:27:29Z) - FreDF: Learning to Forecast in the Frequency Domain [54.2091536822376]
時系列モデリングは、歴史的データと将来のシーケンスの両方における自己相関による固有の課題を提示する。
本稿では,周波数領域の予測学習によりラベル自己相関を緩和する周波数強調直接予測(FreDF)を提案する。
論文 参考訳（メタデータ） (2024-02-04T08:23:41Z) - Interval-censored Hawkes processes [82.87738318505582]
本研究では,Hawkesプロセスのパラメータを間隔制限設定で推定するモデルを提案する。
我々は、ホークス族に対する非均質近似が、間隔検閲された設定において牽引可能な可能性を認めている方法を示す。
論文 参考訳（メタデータ） (2021-04-16T07:29:04Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳（メタデータ） (2020-03-10T09:15:42Z)
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。