共形对抗生成集成CAGE：用p值动态调权，让极端预测不再带偏结果！
Conformal Adversarial Generative Ensemble
📖 AI 总结
本文提出了一种名为CAGE（Conformal Adversarial Generative Ensemble）的新型时间序列预测框架，将生成式建模、对抗判别与保形预测相结合，以提升预测的可靠性与准确性。CAGE的核心思路是：先由多个生成模型产生初始预测，再通过基于保形预测技术的判别组件对其进行评估，利用非一致性分数导出的P值动态调整各模型权重，从而抑制不可靠预测的影响，使最终集成输出仅由最可信的预测构成。研究在新西兰牛奶采集数据和全球猴痘（owid-monkeypox）公共卫生数据上进行了实证与统计分析，结果表明CAGE在应对异常值和噪声数据方面优于传统集成方法。该工作发表于ICONIP 2024会议论文集，其意义在于通过引入保形预测实现了统计上更严谨的预测，为金融、气象和供应链管理等领域的决策提供了通用性较强的解决方案。
🔑 关键词速览
| Conformal Adversarial Generative Ensemble (CAGE) | 一种结合生成建模、对抗判别和共形预测的时间序列预测集成框架。 |
| Conformal Prediction | 一种提供预测置信度度量的统计框架，通过非一致性分数生成p值。 |
| Generative Models | 用于生成初始预测的模型，如生成对抗网络等。 |
| Adversarial Discrimination | 通过判别组件评估生成预测的可靠性，类似于对抗训练中的判别器。 |
| Nonconformity Scores | 用于衡量预测与观测值不一致程度的分数，进而计算p值。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅