Distribution-Free Predictive Inference under Unknown Temporal Drift

要約

分布のない予測セットは、複雑な統計モデルの不確実性の定量化において極めて重要な役割を果たします。
それらの有効性は信頼できる校正データにかかっていますが、現実世界の環境では時間の経過とともに未知の変化が起こることが多いため、このデータはすぐに入手できない場合があります。
この論文では、適応ウィンドウを選択する戦略を提案し、その中のデータを使用して予測セットを構築します。
ウィンドウは、推定されたバイアスと分散のトレードオフを最適化することによって選択されます。
私たちは、根底にある時間的ドリフトに対するその適応性を示し、私たちのメソッドに対して明確なカバレッジ保証を提供します。
また、合成データと実データの数値実験を通じてその有効性を説明します。

要約(オリジナル)

Distribution-free prediction sets play a pivotal role in uncertainty quantification for complex statistical models. Their validity hinges on reliable calibration data, which may not be readily available as real-world environments often undergo unknown changes over time. In this paper, we propose a strategy for choosing an adaptive window and use the data therein to construct prediction sets. The window is selected by optimizing an estimated bias-variance tradeoff. We provide sharp coverage guarantees for our method, showing its adaptivity to the underlying temporal drift. We also illustrate its efficacy through numerical experiments on synthetic and real data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google