缺失值下的符合预测
本文介绍了一种新的预测方法,将 Conformal prediction 和经典的 quantile regression 相结合,使其完全适应异方差性,并且能够在不做分布假设的情况下,建立具有有效覆盖率的预测区间,相比其他 conformal 方法,本文提出的方法具有更高的效率和更短的预测区间。
May, 2019
我们开发了一种方法,用于生成预测集,其覆盖率在训练数据中存在缺失或噪声变量等损坏情况下是健壮的。我们的方法基于符合性预测,这是一种强大的框架,用于构建在独立同分布假设下有效的预测集。重要的是,简单地应用符合性预测在这种情况下不能提供可靠的预测,因为由损坏引起的分布偏移。为了考虑到分布偏移,我们假设可以访问特权信息(PI)。特权信息被形式化为解释分布偏移的附加特征,然而,它们仅在训练期间可用,在测试时不可用。我们通过引入一种新的加权符合性预测的广义方法来解决这个问题,并支持我们的方法具有理论上的覆盖率保证。在真实数据集和合成数据集上的实证实验表明,我们的方法实现了有效的覆盖率,并构建了比现有方法更具信息性的预测,这些方法不受理论保证支持。
Jun, 2024
本文提出拓展 Conformal Prediction 方法,可计算在测试和训练协变量分布不同的情况下的无分布预测区间,同时在数据满足一定加权交换性的情况下,拓展还可以应用于其他设置,如潜在变量和缺失数据问题。
Apr, 2019
本研究提出了一种基于条件分布模型(如分位数和分布回归)构建有条件有效的预测区间的健壮方法,可以应用于横截面预测、k 步预测、合成控制和反事实预测、个体治疗效果预测等重要预测问题。
Sep, 2019
本文开发了一种符合性方法,用于计算自适应于倾斜数据的非参数回归预测区间,利用黑盒机器学习算法用直方图估计结果的条件分布,将它们转化为具有近似条件覆盖的最短预测区间,数值实验表明,与最先进的相关方法相比,这些结果在有限样本情况下可以得到较好的表现,并且如果黑盒模型一致,则渐近达到条件覆盖和最优长度。
May, 2021
探究贝叶斯岭回归在满足标准贝叶斯假设的情况下,与等效算法相比,异步共形预测集有效性的要求是否被满足。结果显示,在这种情况下,渐近共形预测集与岭回归预测区间的差异很小。
Apr, 2014
本文提出一种新的针对预测模型的 Conformal prediction 泛化方法,通过引入加权分位数来抵御数据分布漂移的影响,同时设计一种新的随机化技术,允许不对称处理数据点的算法。实验表明,该方法在数据点不可交换的情况下具有较高的鲁棒性,并且在数据点可交换情况下达到了与现有方法相同的覆盖率保证。
Feb, 2022
本文讲述了一个基于嵌套的框架的可靠预测方法,使用该方法,我们设计并实现了 QOOB 算法,它将四个想法整合在一起:分位数回归、交叉合规化、集成方法和袋外预测。在模拟和真实数据集上的实验中,QOOB 的表现要么最佳,要么接近最佳。
Oct, 2019