Conformal prediction of circular data

要約

分割等角予測手法は、適切な適合スコアを導入することで円形応答を伴う回帰問題に適用され、交換可能なデータの下で任意の円形予測モデルに対して適応アーク長と有限サンプル カバレッジを保証する予測セットを実現します。
線形応答用に設計された既存の予測モデルの高いパフォーマンスを活用して、線形応答回帰モデルを循環応答に適したモデルに変換する一般的な射影手順を分析します。
ランダム フォレストがこの投影手順の基礎モデルとして機能する場合、アウトオブバッグ ダイナミクスを利用して、予測セットの構築において別のキャリブレーション サンプルの必要性を排除します。
合成データセットと実際のデータセットの場合、結果として得られる投影ランダム フォレスト モデルは、2 つの既存の代替モデルによって生成された分割等角予測セットと比較して、アーク長の中央値が短く、より効率的なアウトオブバッグ等角予測セットを生成します。

要約(オリジナル)

Split conformal prediction techniques are applied to regression problems with circular responses by introducing a suitable conformity score, leading to prediction sets with adaptive arc length and finite-sample coverage guarantees for any circular predictive model under exchangeable data. Leveraging the high performance of existing predictive models designed for linear responses, we analyze a general projection procedure that converts any linear response regression model into one suitable for circular responses. When random forests serve as basis models in this projection procedure, we harness the out-of-bag dynamics to eliminate the necessity for a separate calibration sample in the construction of prediction sets. For synthetic and real datasets the resulting projected random forests model produces more efficient out-of-bag conformal prediction sets, with shorter median arc length, when compared to the split conformal prediction sets generated by two existing alternative models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google