分叉不确定性:利用序列模型进行可靠预测和模型预测控制的符合风险控制
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
我们通过对未知随机动力系统的单个时间相关数据轨迹进行风险控制预测集(RCPS)性能的研究,使用封锁技术展示了数据遵循渐进稳定性和收缩性动态时,RCPS 获得类似于独立同分布情况下的性能保证;接着,我们使用解耦技术来描述 RCPS 性能保证在数据生成过程偏离稳定性和收缩性时的优雅退化;最后,我们讨论这些工具如何用于统一在线和离线形式预测算法的分析,目前这些算法的分析工具差异较大。
Jun, 2024
通过使用物理信息的结构性因果模型 (PI-SCM) 来减小上界,我们验证了 PI-SCM 在置信水平和测试领域上对交通速度预测任务和多个真实世界数据集上的流行病传播任务的覆盖鲁棒性的提升。
Mar, 2024
该研究提出了一种新的基于时间序列的投影置信预测方法 HopCPT,它不仅解决了时间序列的时间结构问题,而且利用了时间结构,实验表明,该方法在多个真实数据集中的表现优于现有的基于时间序列的投影置信预测方法。
Mar, 2023
本文提出了一种使用高斯过程回归模型的模型预测控制方法,用于建模非线性动态系统并计算模型残差不确定性以实现谨慎控制。通过近似计算实现计算效率,并在模拟实验和硬件实现中展示了该方法在自主赛车方面的表现改进。
May, 2017
在黑盒机器学习模型中严格确保关键风险度量的安全性对于提供模型行为的保证非常重要。本文在 Bates 等人(JACM '24)的基础上引入了风险控制预测集(RCPS)的概念,用于生成统计上保证低风险的机器学习模型的预测集。我们的方法将这个概念扩展到顺序设置,即使在数据被自适应收集的情况下,我们也能提供保证,并确保风险保证在所有时间步骤同时成立。此外,我们提出了一个框架,用于构建用于主动标记的 RCPS,即允许使用选择是否查询每个接收到的数据点的真实标签的标记策略,并确保标签查询的预期比例低于预定的标签预算。我们还描述了如何使用预测器(即我们为其提供风险控制保证的机器学习模型)来进一步改善我们的 RCPS 的效用,通过对协变量的条件风险进行估计。我们对于固定标签预算下标签策略和预测器的最优选择进行了表征,并展示了一个后悔结果,将最优标记策略和预测器的估计误差与支撑我们的 RCPS 的财富过程联系起来。最后,我们提出了一种实际的标记策略形成方法,并在模拟和真实数据上实证表明我们的标记策略使用更少的标签获得更高的效用,相比于天真的基准标记策略(如标记所有点、随机标记点)。
Jun, 2024
该研究提出了一种名为 RSCP + 的新框架,用于在评估中提供可靠的鲁棒性保证,同时提出了两种新的方法 PTT 和 RCT,以减少预测集大小并提供实际的鲁棒性保证。
Apr, 2024
利用一种名为 CCR 的新方法,通过使用模型输出的一系列符合预测间隔来建立模型参数的置信区间,创新地解决了模型参数置信区间构建中的挑战,并在有限样本情景下提供了覆盖保证。
May, 2024
使用感知映射通过学习获取状态估计的感知控制,通过量化感知映射的估计不确定性并将这些不确定性表示整合到控制设计中,采用符合预测来计算有效的状态估计区域,从而设计采用自我触发控制思想的取样数据控制器,以避免使用随机微积分并在具有李达(LiDAR)能力的 F1 / 10th 汽车中演示了控制器的有效性。
Apr, 2023