贝叶斯 conformal 预测的最优时空解耦
机器学习
2026-05-04 v1 机器学习
摘要
在线 conformal 预测在时域适应性和结构稳定性之间难以平衡。反馈驱动的方法（如自适应 conformal 推断 (ACI)）在突发性变化期间 suffer from 系统性边际下覆盖和高区间方差，而基于时延的贝叶斯 conformal 方法则受制于严重的结构滞后和未校准的区间膨胀。我们提出状态自适应贝叶斯 conformal 预测 (SA-BCP)，以实现时空解耦的最优。通过为长期时域惯性引入空间核密度证据的门控机制，SA-BCP 在识别出历史情境时主动扩大区间，同时在稳定状态下保持紧凑效率。我们严格证明了该机制的最优性，识别出由证据阈值 决定的 minimax 偏差-方差权衡。广泛的在波动金融数据集（2016--2026）上的基准测试，包括 AMD、金价和 GBP/USD，表明 SA-BCP 在各种置信水平下始终最小化严格的 Winkler 分数。具体而言，SA-BCP 解决了 ACI 变体固有的系统性下覆盖问题，同时将贝叶斯 conformal 方法的未校准区间膨胀降低 10% 至 37%。通过优雅地导航此权衡，SA-BCP 实现了条件可靠性和预测效率之间的最优平衡。
引用
@article{arxiv.2605.00432,
title = {Optimal Spatio-Temporal Decoupling for Bayesian Conformal Prediction},
author = {Yu-Hsueh Fang and Chia-Yen Lee},
journal= {arXiv preprint arXiv:2605.00432},
year = {2026}
}
备注
Under review of UAI2026