神经标记时间点过程的分布无关共形联合预测区域
机器学习
2024-06-06 v2
摘要
在连续时间中不规则间隔观测到的带标签事件序列在各个领域普遍存在。时间点过程（TPPs）为建模这些序列提供了数学框架，能够进行诸如预测未来事件的到达时间及其关联标签（称为标记）等推断。然而，由于模型设定错误或训练数据不足，这些概率模型可能对真实的、未知的底层过程提供较差的近似，从中提取的预测区域是对底层不确定性的不可靠估计。本文通过共形预测框架，为神经 TPP 模型开发了更可靠的不确定性量化方法。一个主要目标是生成事件到达时间和标记的分布无关联合预测区域，并具有有限样本边际覆盖保证。一个关键挑战是在没有分布假设的情况下，同时处理严格为正的连续响应和分类响应。我们首先考虑一种简单但保守的方法，该方法组合了事件到达时间和标记的单独预测区域。然后，我们引入了一种更有效的方法，该方法基于从到达时间和标记的联合预测密度导出的二元最高密度区域。通过利用这两个变量之间的依赖关系，该方法排除了两者的不可能组合，从而产生更锐利的预测区域，同时仍达到预先指定的覆盖水平。我们还探索了通过共形回归和分类技术为事件到达时间和标记生成单独的一元预测区域。此外，我们评估了更强的条件覆盖概念。最后，通过在模拟和真实世界数据集上的广泛实验，我们评估了这些方法的有效性和效率。
引用
@article{arxiv.2401.04612,
title = {Distribution-Free Conformal Joint Prediction Regions for Neural Marked Temporal Point Processes},
author = {Victor Dheur and Tanguy Bosser and Rafael Izbicki and Souhaib Ben Taieb},
journal= {arXiv preprint arXiv:2401.04612},
year = {2024}
}