深度模型+保形预测，时间序列不确定性量化终于有覆盖保证了！
Conformal Prediction for Time Series with Deep Sequence Models
📖 AI 总结
该论文针对深度时间序列预测中不确定性量化需求，系统研究了深度序列模型在时间序列共形预测中的应用。由于共形预测的覆盖保证依赖数据可交换性假设，而时间序列通常违反该假设，作者提出三种利用深度序列模型的方法：条件分位数回归、条件分位数函数估计和局部化共形预测，并在适当假设下为三者建立了渐近条件覆盖保证。基于真实数据集的综合实验验证了将深度序列模型引入时间序列共形预测的有效性。该工作为深度模型与共形预测的结合提供了系统的理论分析与实证支持，推动了时间序列可靠不确定性量化的发展。
🔑 关键词速览
| 保形预测 (Conformal Prediction) | 一种无分布假设的框架，用于构建具有统计覆盖保证的预测区间。 |
| 可交换性 (Exchangeability) | 数据顺序不影响联合分布的假设，是保形预测覆盖保证的基础，但时间序列通常不满足。 |
| 深度序列模型 (Deep Sequence Models) | 用于处理序列数据的深度学习模型，如循环神经网络和Transformer。 |
| 条件分位数回归 (Conditional Quantile Regression) | 一种估计给定输入下输出变量条件分位数的方法，常用于构建预测区间。 |
| 局部化保形预测 (Localized Conformal Prediction) | 一种改进的保形预测方法，通过局部加权或条件化来提高预测区间的适应性。 |
📱 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