論文の概要: Dynamic Dual-Feedback Conformal Inference for Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2610.26987v1
• Date: Mon, 19 Oct 2026 05:28:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.414306
• Title: Dynamic Dual-Feedback Conformal Inference for Time Series Forecasting
• Title（参考訳）: 時系列予測のための動的デュアルフィードバックコンフォーマル推論
• Abstract要約: 本稿では、実際のフィードバックと推定フィードバックからなる二重フィードバック機構を組み込んだ動的デュアルフィードバック・コンフォーマル推論(DDCI)を提案する。 DDCIはシーケンシャルな設定でより安定し、より狭い予測間隔を達成し、実際には準位に近いカバレッジを維持している。
• 参考スコア（独自算出の注目度）: 19.372134463838712
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantifying uncertainty in time series forecasting is particularly demanding because sequential data exhibit temporal dependence and are prone to distributional changes. Conformal inference has emerged as a powerful uncertainty quantification approach through the construction of prediction sets. Recent advances have introduced online conformal methods that adaptively adjust prediction thresholds through feedback mechanisms. However, the existing feedback mechanism typically relies solely on miscoverage indicators (actual feedback), whether the true label falls within the interval at each time step, while overlooking the empirical prediction threshold (estimated feedback) that is derived from the oracle conformal method. In this paper, we propose Dynamic Dual-feedback Conformal Inference (DDCI), which incorporates a dual-feedback mechanism consisting of actual feedback and estimated feedback. The former drives the primary adjustment of the intervals based on true observations, while the latter dampens excessive expansions or contractions by leveraging empirical thresholds from conformal inference during updates. By balancing these two signals, DDCI achieves more stable and narrower prediction intervals in sequential settings while maintaining near-nominal coverage in practice.
• Abstract（参考訳）: 時系列予測における不確実性の定量化は、時系列データが時間的依存を示し、分布変化を起こす傾向があるため、特に要求されている。 コンフォーマル推論は予測セットの構築を通じて強力な不確実性定量化アプローチとして登場した。 近年,フィードバック機構によって予測閾値を適応的に調整するオンラインコンフォメーション手法が提案されている。 しかし、既存のフィードバックメカニズムは、典型的には誤発見指標(実際のフィードバック)にのみ依存し、真のラベルが各時点の間隔内にあるかどうかを、オラクルコンフォメーション法から導かれる経験的予測しきい値(推定フィードバック)を見渡す。 本稿では,実際のフィードバックと推定フィードバックからなる二重フィードバック機構を組み込んだ動的デュアルフィードバック・コンフォーマル推論(DDCI)を提案する。 前者は真の観測に基づいて区間の一次調整を推進し、後者は更新中の共形推論から経験的閾値を活用することで過度の膨張や収縮を抑える。 これら2つの信号のバランスをとることで、DDCIはシーケンシャルな設定でより安定でより狭い予測間隔を達成し、実際には準位に近いカバレッジを維持している。

関連論文リスト

• When Interference Graphs Evolve: Doubly Robust Estimation of Dynamic Peer Effects [1.049126606580198]
  我々は,自己治療,時間的に集約されたピア露光,および課題後の進化の要約によって潜在的な結果をインデックスする制御されたコントラストフレームワークを導入する。 時間分解確率と正規化オーグメンテーションを組み合わせた動的ネットワーク二重ロバスト推定器DynaNet-DRを開発した。
  論文  参考訳（メタデータ） (2026-08-27T14:32:40Z)
• 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)
• DiFA: Inference-Time Forward-Process Alignment for Diffusion Models [8.208222349301785]
  Forward-Process Aligned Diffusion Prediction (textbfDiFA) は、逐次状態推定問題として推論時データの予測精度を改善するトレーニングフリーフレームワークである。 カルマンフィルタにインスパイアされたDiFAは、構造的一貫性とノイズレベルの整合性に応じて歴史的予測を集約する。
  論文  参考訳（メタデータ） (2026-07-20T14:10:53Z)
• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• 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)
• 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)

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。