Valid and Efficient Split Conformal Regression for Time Series
时间序列中有效且高效的分割共形回归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：摘要直接研究时间序列预测区间的覆盖与长度，并专门分析高斯长记忆过程，对应时间序列与预测。
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…
关注这篇论文的作者
时间序列中有效且高效的分割共形回归
- 研究问题
- 在训练与校准使用相邻时间块、观测可能具有长记忆时，如何同时保证共形回归区间的覆盖表现与长度估计精度？
- 方法与思路
- 作者以函数依赖度量替代主要依赖混合条件的分析工具，研究共形化分位数与中位数回归，并单独分析高斯长记忆线性过程。
- 材料陈述的贡献
- 摘要称，论文同时建立非渐近覆盖和区间长度保证；特定长记忆情形下，校准长度比中心收敛更快，并给出匹配下界。
- 阅读关注点
- 应核对函数依赖衰减要求、分位数模型条件、训练与校准块的比例，以及更快长度收敛和匹配下界所需的额外限制。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未给出具体速率，长记忆结果针对指定过程，不能推广到任意依赖序列。
原文摘要
We study conformalized quantile regression and conformalized median regression that fit a model on one block of a time series and calibrate the conformal interval on the adjacent block. The existing theory of conformal prediction for time series rests largely on mixing conditions, which are hard to verify from a time-series model and fail for many standard processes, including simple ones with short memory. We replace this theoretical toolbox with the functional dependence measure, which in principle accommodates long-memory observations. The accuracy of the conformal interval length for time series has been understudied. To the best of our knowledge, this paper is the first work that establishes non-asymptotic coverage guarantees and accuracy of interval length simultaneously for split conformal regression on time series. Furthermore, for Gaussian linear processes with long memory, where both the estimation of the center and its calibration converge slowly, we establish a sharper rate for the length error. We show that the calibrated length converges faster than the estimated center itself, and provide a matching lower bound for the usual centers when the calibration block is sufficiently large relative to the training block. To our knowledge, this is the first theoretical analysis of conformal interval length dedicated to long memory.