論文の概要: Practical Advantages of Online Conformal Prediction for Data Streams

• arxiv url: http://arxiv.org/abs/2610.27740v1
• Date: Tue, 20 Oct 2026 07:04:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.691772
• Title: Practical Advantages of Online Conformal Prediction for Data Streams
• Title（参考訳）: データストリームのオンラインコンフォーマル予測の実用化
• Abstract要約: 重み付きフルコンフォーマルベンチマークと4つのシーケンシャル・コンフォーマル・レグレッション・プロシージャを比較した。 実験では、独立かつ同一の分散制御、2つの合成分布シフトシナリオ、および4つの実世界のデータストリームをカバーしている。
• 参考スコア（独自算出の注目度）: 1.7024862419659816
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Full conformal prediction offers finite-sample marginal coverage guarantees under exchangeability, but exact computation can be costly, while its classical guarantees do not directly extend to non-stationary data streams. We compare four sequential conformal regression procedures with a weighted full-conformal benchmark in terms of empirical coverage, prediction interval width, and computational cost. The procedures combine ordinary or forgetting-factor least squares with uniform or exponentially weighted empirical residual quantiles, or with online gradient-based quantile tracking. Experiments cover an independent and identically distributed control, two synthetic distribution-shift scenarios, and four real-world data streams. Adapting the regression model as well as the conformal threshold substantially improves the coverage--width tradeoff under drift. The quantile-tracking procedure requires $O(p^2)$ time and memory per observation, independently of stream length, although its coverage can deteriorate after abrupt changes. These results illustrate the practical tradeoffs between predictor adaptation, uncertainty quantification, and computational resources.
• Abstract（参考訳）: 完全共形予測は、交換可能性の下で有限サンプルの限界カバレッジを保証するが、正確な計算はコストがかかるが、古典的な保証は非定常データストリームに直接拡張しない。 本研究では,4つの逐次共形回帰法と重み付きフルコンフォーマルベンチマークを経験的カバレッジ,予測間隔幅,計算コストの観点から比較する。 この手順は、通常または忘れる因子の最小二乗を、一様または指数関数的に重み付けされた経験的残留量子化またはオンライン勾配に基づく量子化追跡と組み合わせる。 実験では、独立かつ同一の分散制御、2つの合成分布シフトシナリオ、および4つの実世界のデータストリームをカバーしている。 回帰モデルと整合しきい値の適応は、ドリフト時の範囲幅のトレードオフを大幅に改善する。 量子追跡法は、急激な変化の後、その範囲は劣化するが、ストリーム長とは無関係に、観測あたりのO(p^2)$時間とメモリを必要とする。 これらの結果は、予測器適応、不確実性定量化、および計算資源間の実践的なトレードオフを示している。

関連論文リスト

• Interpretable Multivariate Conformal Prediction with Fast Transductive Standardization [11.505405148959618]
  本稿では,複数の,潜在的に関連する数値出力に対して,厳密な同時予測区間を構築するための共形予測手法を提案する。 この方法は、任意のマルチターゲット回帰モデルと組み合わせて、有限サンプルカバレッジを保証する。 中心となる考え方は、出力次元にまたがる残差を直接的に比較する新しいエンフィコーディネートワイド標準化手順である。
  論文  参考訳（メタデータ） (2025-12-17T12:36:00Z)
• 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)
• 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)
• Rectifying Conformity Scores for Better Conditional Coverage [75.73184036344908]
  本稿では,分割共形予測フレームワーク内で信頼セットを生成する新しい手法を提案する。 本手法は,任意の適合度スコアのトレーニング可能な変換を行い,条件付き範囲を正確に確保しつつ,条件付き範囲を改善する。
  論文  参考訳（メタデータ） (2025-02-22T19:54:14Z)
• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• A general framework for multi-step ahead adaptive conformal heteroscedastic time series forecasting [0.0]
  本稿では,適応アンサンブルバッチ多出力多出力共形量子化回帰(AEnbMIMOCQR)と呼ばれる新しいモデル非依存アルゴリズムを提案する。 これにより、予測者は、固定された特定された誤発見率に対して、分布のない方法で、複数段階の事前予測間隔を生成できる。 本手法は, 整合予測の原理に基づいているが, データの分割は不要であり, データの交換ができない場合でも, ほぼ正確なカバレッジを提供する。
  論文  参考訳（メタデータ） (2022-07-28T16:40:26Z)

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。