Improved Online Conformal Prediction via Strongly Adaptive Online Learning
通过强自适应在线学习改进在线共形预测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：摘要研究通用在线不确定性量化，应用跨预测与图像分类，未明确限定所给经济计量细分。
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…
通过强自适应在线学习改进在线共形预测
- 研究问题
- 当数据分布随时间任意变化时，如何让在线预测集合不仅在完整时间范围内表现可靠，还能在不同长度的局部时间区间保持良好覆盖？
- 方法与思路
- 作者将强自适应遗憾最小化用于在线共形预测，以固定长度区间上的最坏遗憾评价局部表现，并分析各区间长度的保证与近似覆盖性质。
- 材料陈述的贡献
- 摘要称，新方法同时达到各区间长度下近乎最优的强自适应遗憾及近似有效覆盖，且在预测与图像分类实验中获得更好覆盖和更小预测集合。
- 阅读关注点
- 应核对遗憾的比较基准、覆盖保证的平均范围和误差项，以及分布变化允许的条件；实验还需检查覆盖与集合大小之间的权衡是否可比。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明覆盖界和反馈条件，近似覆盖不能据此理解为每个时点均具有条件覆盖保证。
原文摘要
We study the problem of uncertainty quantification via prediction sets, in an online setting where the data distribution may vary arbitrarily over time. Recent work develops online conformal prediction techniques that leverage regret minimization algorithms from the online learning literature to learn prediction sets with approximately valid coverage and small regret. However, standard regret minimization could be insufficient for handling changing environments, where performance guarantees may be desired not only over the full time horizon but also in all (sub-)intervals of time. We develop new online conformal prediction methods that minimize the strongly adaptive regret, which measures the worst-case regret over all intervals of a fixed length. We prove that our methods achieve near-optimal strongly adaptive regret for all interval lengths simultaneously, and approximately valid coverage. Experiments show that our methods consistently obtain better coverage and smaller prediction sets than existing methods on real-world tasks, such as time series forecasting and image classification under distribution shift.