Mar, 2024

多维时间序列的椭圆型集合条件预测

PDF
TL;DR提出了一种名为 MultiDimSPCI 的顺序 CP 方法，其基于多元响应构建预测区域，特别适用于非可交换的多元时间序列，实验证明 MultiDimSPCI 在广泛的多元时间序列上保持有效覆盖，并产生比 CP 和非 CP 基线更小的预测区域。
conformal predictioncpuncertainty quantificationmultivariate time seriesprediction intervals
发现论文，激发创造
  • 使用线性互补规划的时间序列同伦预测区域

    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

  • 稳定的共形预测集

    本论文将 CP 技术与经典算法稳定性界限相结合，提出了一种置信区间集合，可用单一模型拟合计算，并证明了该方法能够保证精度，避免了数据分割的需求，成功解决了传统方法无法处理连续未知变量 y_n+1 的瓶颈问题。

    Dec, 2021

  • 优化和高效预测集的合规化深度样条

    通过神经网络参数化样条估计条件密度的 SPICE 方法是一种新的与可靠统计覆盖保证相容的一致性回归方法，具有普遍逼近和最优性结果，适用于两种高效计算的一致性评分，能够提供较小的平均预测区间并保证最佳条件覆盖。

    Nov, 2023

  • 纵向数据的一致性预测

    Longitudinal Predictive Conformal Inference (LPCI) 是一种新颖的无分布预测算法，通过建立训练好的分位数回归器模型来构建预测区间，从而保证了纵向和横向覆盖率，适用于医学、金融和供应链管理等广泛应用。

    Oct, 2023

  • 通过基于物理信息的结构因果模型实现鲁棒的分布偏移下的符合性预测

    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

  • 信息论视角下的符合预测

    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

  • 数据异质性下的高效符合性预测

    一种对数据不可交换性建立了有效的置信区间的新方法，并在联邦学习中的数据异质性下构建了个性化预测集合，通过实验验证了该方法的有效性。

    Dec, 2023

  • 利用 E - 检验统计量增强符合性预测

    使用 e 检验统计量引入 BB 预测器来增强符合性预测的效果，从而生成可靠的预测区间。

    Mar, 2024

  • 学习特征的符合预测

    本文关注条件保证的合拟合预测问题，并提出了采用从校准数据中学习的不确定性引导特征来改进预测集的条件有效性的分区学习合拟合预测（PLCP）框架。我们在理论上分析了 PLCP，并对无限和有限样本大小提供了条件保证。最后，我们在四个真实世界和人工合成数据集上的实验证明了 PLCP 在分类和回归场景中相对于最先进方法在覆盖率和长度方面的卓越表现。

    Apr, 2024

  • 有条件有效的概率拟合预测

    我们开发了一种新方法来创建预测集，它结合了符合性方法的灵活性和条件分布 P（Y | X）的估计。我们的方法扩展了现有方法，实现了条件覆盖，这对许多实际应用至关重要。我们提供了非渐近界限，明确依赖于对条件分布的可用估计的质量，使得我们的置信集在数据的局部结构上高度自适应，特别适用于高异方差情况。通过广泛的模拟，我们证明了我们的方法的有效性，显示其在条件覆盖和统计推断的可靠性方面优于现有方法，在各种应用中提高了统计推断的可靠性。

    Jul, 2024