面向纵向数据的共形预测
机器学习
2023-10-05 v1 机器学习
摘要
我们引入纵向预测共形推断（LPCI），一种用于纵向数据的新型无分布共形预测算法。当前针对时间序列数据的共形预测方法主要聚焦于单变量设定，因而在纵向数据集中分别应用于各时间序列时缺乏横截面覆盖。当前纵向数据的最优方法依赖于构建无限宽的预测区间，以保证横截面与渐近纵向覆盖。所提 LPCI 方法解决了这一问题，确保纵向与横截面覆盖均得到保证，而无需诉诸无限宽区间。在我们的方法中，我们将残差数据建模为分位数固定效应回归问题，利用训练好的分位数回归器构造预测区间。我们的大量实验表明，LPCI 实现了有效的横截面覆盖，并在纵向覆盖率方面优于现有基准。理论上，我们建立了 LPCI 在有限宽区间下两个维度的渐近覆盖保证。LPCI 在为纵向数据生成可靠预测区间方面的稳健性能凸显了其在医学、金融与供应链管理等领域广泛应用的潜力。
引用
@article{arxiv.2310.02863,
title = {Conformal Predictions for Longitudinal Data},
author = {Devesh Batra and Salvatore Mercuri and Raad Khraishi},
journal= {arXiv preprint arXiv:2310.02863},
year = {2023}
}