基于现代 Hopfield 网络的时间序列保形预测
机器学习
2023-11-03 v2 人工智能
机器学习
摘要
为量化不确定性，保形预测（conformal prediction）方法正持续获得关注，并已成功应用于多个领域。然而，它们难以应用于时间序列，因为时间序列的自相关结构违背了保形预测所需的基本假设。我们提出 HopCPT，一种面向时间序列的新型保形预测方法，其不仅应对时间结构，更对其加以利用。我们证明我们的方法在存在时间依赖的时间序列上具有理论合理性。在实验中，我们表明新方法有来自四个不同领域的多个真实世界时间序列数据集上优于最先进的保形预测方法。
关键词
引用
@article{arxiv.2303.12783,
title = {Conformal Prediction for Time Series with Modern Hopfield Networks},
author = {Andreas Auer and Martin Gauch and Daniel Klotz and Sepp Hochreiter},
journal= {arXiv preprint arXiv:2303.12783},
year = {2023}
}
备注
presented at NeurIPS 2023