Exact and Robust Conformal Inference Methods for Predictive Machine Learning With Dependent Data
依赖数据下预测机器学习的精确与稳健共形推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确将预测共形推断扩展至时间序列，并处理序列依赖下的有效性，支持时间序列和预测方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
依赖数据下预测机器学习的精确与稳健共形推断
- 研究问题
- 当预测数据具有时间序列依赖、通常不满足可交换性时，如何扩展共形推断，并区分精确有效与近似有效的情形？
- 方法与思路
- 作者将共形推断构造为随机化方法，在置换方案中加入分块结构以考虑序列依赖，并分析相合分数条件下的有效性。
- 材料陈述的贡献
- 摘要称独立同分布或更一般可交换数据下保留精确且不依赖模型的有效性；失去可交换性时，在弱条件下近似有效。
- 阅读关注点
- 应核对分块置换方案、相合分数的具体限制、块长选择及近似误差控制，并区分可交换与依赖数据的覆盖结论。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未核实；摘要未列弱条件或误差界，不能声称一般时间序列具有精确覆盖。
原文摘要
We extend conformal inference to general settings that allow for time series data. Our proposal is developed as a randomization method and accounts for potential serial dependence by including block structures in the permutation scheme. As a result, the proposed method retains the exact, model-free validity when the data are i.i.d. or more generally exchangeable, similar to usual conformal inference methods. When exchangeability fails, as is the case for common time series data, the proposed approach is approximately valid under weak assumptions on the conformity score.