使用现代 Hopfield 网络进行时间序列的共形预测
我们研究了时间序列预测的不确定性量化问题,旨在提供易于使用且具有形式保证的算法。我们提出的算法基于符合性预测和控制理论的思想,能够在在线环境中前瞻性地模拟符合性得分,并能适应由季节性、趋势性和一般分布变化引起的系统误差。我们的理论简化和加强了现有的在线符合性预测分析。在美国州级 COVID-19 死亡人数提前四周预测的实验中,我们与官方 CDC 通讯中使用的集合预测方法相比,覆盖范围有所改善。我们还使用自回归、Theta、Prophet 和 Transformer 模型对电力需求、市场回报和温度进行了实验预测。我们提供了一个可扩展的代码库,用于测试我们的方法以及集成新算法、数据集和预测规则。
Jul, 2023
提出了基于优化的方法,将预测误差参数化处理以减小保守性,扩展了应用 Conformal prediction 算法于使用学习器的时间序列预测模型的应用场景,并且在行人轨迹预测方面证明了其有效性。
Apr, 2023
本文介绍了一种新的符合方法,用于生成能够以足够高的概率覆盖新的随机轨迹整个路径的同时预测带。在需要可靠的不确定性估计的运动规划应用中,我们结合了在线符合单个和多个时间序列的不同技术,以及解决回归异方差性的思想。这种解决方案既是有原则的,提供了精确的有限样本保证,又是有效的,通常比先前方法提供更多信息的预测。
Feb, 2024
利用 Transformer 架构的符合预测方法通过捕捉长期记忆和长程依赖,以 Transformer 解码器作为条件分位数估计器来预测预测残差的分位数,从而估计预测区间,并通过综合实验证明该方法在模拟和真实数据上相较于现有的符合预测方法具有更好的性能。
Jun, 2024
本文综述了关于符合预测的基本思想和新发展 —— 一种革新的无分布、非参数预测方法,基于最少的假设,能够以一种非常简单的方式得出在统计意义上的预测集,本文详细讨论了符合预测的理论基础,然后列举了原始思想的更高级的发展和适应方法。
May, 2020
本文使用符合预测技术计算功能数据的同时预测带和聚类树。我们使用多个新颖的一致性分数来简化计算,并且在不假设任何分布的情况下,为基础随机过程提供了预测集,并提供信息指向潜在进程的高密度区域。
Feb, 2013
快速增长的大型语言模型和自然语言处理(NLP)应用对不确定性量化提出了关键需求,以减轻幻象等风险并提高关键应用中的决策可靠性。条件预测正在成为一个理论上健全且实用的框架,结合了灵活性和强有力的统计保证。它的模型无关性和无分布性质使其特别有希望解决源于 NLP 系统缺乏不确定性量化的现有缺点。本文对条件预测技术、其保证以及 NLP 中的现有应用进行了全面调研,指出了未来研究的方向和面临的挑战。
May, 2024
本文提出了一种新颖的使用具有时间序列分解的符合预测时间序列预测方法,在每个分量上应用特定的符合算法,然后合并所得预测区间,以适应不同分量之间的不同可交换性情况。该分解方法在合成和现实数据上进行了详细讨论和经验评估,发现该方法对结构良好的时间序列提供了有希望的结果,但在处理较复杂数据时,受到分解步骤等因素的限制。
Jun, 2024
本研究利用信息论来将符合预测与其他不确定性概念相联系,并证明了三种不同的方法来上界内在不确定性,同时通过符合预测和信息论不等式的组合,实现了两种直接有用的应用:(i)更规范和有效的符合训练目标,从头开始实现机器学习模型的端到端训练,(ii)将旁路信息纳入符合预测的自然机制。我们在集中式和联邦学习环境中进行了实证验证,并证明了我们的理论结果能够转化为流行的符合预测方法的低效性(平均预测集大小)。
May, 2024