Conformal Prediction for Time Series with Modern Hopfield Networks

要約

不確実性を定量化するために、等角予測法は継続的に関心を集めており、すでにさまざまな分野にうまく適用されています。
ただし、時系列の自己相関構造が等角予測に必要な基本的な仮定に違反するため、それらを時系列に適用することは困難です。
時間構造に対処するだけでなく、それらを活用する時系列の新しい共形予測アプローチであるHopCPTを提案します。
一時的な依存関係が存在する時系列に対して、私たちのアプローチが理論的に十分に正当化されることを示します。
実験では、私たちの新しいアプローチが、4 つの異なるドメインからの複数の実世界の時系列データセットに対する最先端の等角予測法よりも優れていることを示しています。

要約(オリジナル)

To quantify uncertainty, conformal prediction methods are gaining continuously more interest and have already been successfully applied to various domains. However, they are difficult to apply to time series as the autocorrelative structure of time series violates basic assumptions required by conformal prediction. We propose HopCPT, a novel conformal prediction approach for time series that not only copes with temporal structures but leverages them. We show that our approach is theoretically well justified for time series where temporal dependencies are present. In experiments, we demonstrate that our new approach outperforms state-of-the-art conformal prediction methods on multiple real-world time series datasets from four different domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google