分布自由不确定性下的自适应切换预测：深度切换状态空间模型遇见共形预测
机器学习
2026-02-09 v2 人工智能
摘要
切换转换 routinely 打破时间序列的平稳性，使得校准的不确定性与点精度同等重要。我们通过将深度切换状态空间模型与自适应共形推断(ACI)及其聚合变体(AgACI)相结合，研究了切换预测中的分布自由不确定性。我们还引入了一个统一的共形包装器，置于S4、MC-Dropout GRU、稀疏高斯过程和变点局部模型等强序列基线之上，以在非平稳性和模型误设下产生具有有限样本边际保证的在线预测带。在合成和真实数据集上，共形化预测器实现了接近名义覆盖的精度，且具有竞争性的准确性和普遍改善的带效率。
引用
@article{arxiv.2512.03298,
title = {Adaptive Regime-Switching Forecasts with Distribution-Free Uncertainty: Deep Switching State-Space Models Meet Conformal Prediction},
author = {Echo Diyun LU and Charles Findling and Marianne Clausel and Alessandro Leite and Wei Gong and Pierric Kersaudy},
journal= {arXiv preprint arXiv:2512.03298},
year = {2026}
}
备注
v2: Added acknowledgements