状态匹配共形预测新方法：非相邻重现时校准更准，六基准中五个覆盖率逼近0.90！
State-Matched Sequence Conformal Prediction
📖 AI 总结
本文提出一种新的序列保形预测方法——状态匹配序列保形预测（SMSCP），旨在解决传统方法在选取历史校准数据时的局限。现有方法通常依赖近期观测或在线误差反馈，但当相似状态在非相邻时间点重复出现且重复模式未知时，近期数据并非理想参考。SMSCP利用目标前信息构建显式的单侧局部线性状态，通过状态相似性筛选出与当前目标分位数相关的历史校准分数，再应用标准无加权保形顺序统计量。作者从理论上分析了时间依赖下邻近状态是否具有可比的目标分数分位数，并给出了保形截断值的控制及所选状态未能捕捉的预测信息刻画。模拟实验表明，状态匹配在分数相关状态跨非相邻时间重现时最为有效，同时也揭示了其优势减弱甚至反转的情形。在太阳辐照度和共享单车需求基准上，SMSCP的区间评分优于近期、加权、自适应及HopCPT等对比方法，并在六个基准中的五个上实现了比ResCP更接近名义0.90水平的覆盖率。
🔑 关键词速览
| 共形预测 | 一种无分布假设的不确定性量化框架，通过校准集构建预测区间，保证边际覆盖率。 |
| 状态匹配 | 根据当前目标的前置信息构建状态，并选择历史上状态相似的观测作为校准参考集。 |
| 局部线性状态 | 从目标前信息中提取的显式单侧状态表示，用于捕捉与预测分数相关的局部动态。 |
| 共形顺序统计量 | 在共形预测中，基于校准分数排序后取分位数来确定预测区间截断值的非参数方法。 |
| 时间依赖 | 序列数据中观测值之间存在时间相关性，影响校准分数分布和预测区间的有效性。 |
📱 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