Towards Reliable Time Series Forecasting under Future Uncertainty: Ambiguity and Novelty Rejection Mechanisms

要約

現実世界の時系列予測では、不確実性と信頼できる評価の欠如は大きな課題をもたらします。
特に、予測エラーは、分散内のデータを過小評価し、分散除外の入力を処理できないことから生じることがよくあります。
モデルの信頼性を高めるために、あいまいさと斬新な拒絶を組み合わせた二重の拒絶メカニズムを導入します。
予測誤差の分散を使用したあいまいさの拒否により、モデルは低い信頼の下で棄権することができ、将来のグラウンドトゥルースなしで履歴エラー分散分析を通じて評価されます。
バリエーションオートエンコーダーとマハラノビス距離を使用したノベルティ拒否は、トレーニングデータからの逸脱を検出します。
このデュアルアプローチは、エラーを減らし、データの変更に適応し、複雑なシナリオで信頼性を向上させることにより、動的環境での信頼性の予測を改善します。

要約(オリジナル)

In real-world time series forecasting, uncertainty and lack of reliable evaluation pose significant challenges. Notably, forecasting errors often arise from underfitting in-distribution data and failing to handle out-of-distribution inputs. To enhance model reliability, we introduce a dual rejection mechanism combining ambiguity and novelty rejection. Ambiguity rejection, using prediction error variance, allows the model to abstain under low confidence, assessed through historical error variance analysis without future ground truth. Novelty rejection, employing Variational Autoencoders and Mahalanobis distance, detects deviations from training data. This dual approach improves forecasting reliability in dynamic environments by reducing errors and adapting to data changes, advancing reliability in complex scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google