Conformal Prediction with Temporal Quantile Adjustments
带时间分位数调整的共形预测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：摘要明确处理时间序列回归的预测区间、时间维度覆盖和预测校准，直接支持时间序列及预测方向分类。
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
带时间分位数调整的共形预测
- 研究问题
- 对于由多个个体时间序列组成的数据，如何构建预测区间，同时兼顾同一时点的截面覆盖与单个序列随时间的纵向覆盖？
- 方法与思路
- 作者提出时间分位数调整，在每个时点调整共形预测查询的非一致性分数分位数，作为可套用于时间序列回归模型的后处理方法。
- 材料陈述的贡献
- 摘要称该方法以理论为基础兼顾两种覆盖目标；大量实验中通常得到较有效率的区间，并改善纵向覆盖而保持截面覆盖。
- 阅读关注点
- 应核对截面与纵向覆盖的数学定义、理论保证需要的时间依赖条件，以及校准和分位数更新是否仅使用预测时已知的信息。
- 阅读边界
- 所给版本为 arXiv 预印本，未核实同行评审或接收；摘要未给覆盖定理和区间宽度数值，不能视为任意依赖结构下的逐点覆盖保证。
原文摘要
We develop Temporal Quantile Adjustment (TQA), a general method to construct efficient and valid prediction intervals (PIs) for regression on cross-sectional time series data. Such data is common in many domains, including econometrics and healthcare. A canonical example in healthcare is predicting patient outcomes using physiological time-series data, where a population of patients composes a cross-section. Reliable PI estimators in this setting must address two distinct notions of coverage: cross-sectional coverage across a cross-sectional slice, and longitudinal coverage along the temporal dimension for each time series. Recent works have explored adapting Conformal Prediction (CP) to obtain PIs in the time series context. However, none handles both notions of coverage simultaneously. CP methods typically query a pre-specified quantile from the distribution of nonconformity scores on a calibration set. TQA adjusts the quantile to query in CP at each time $t$, accounting for both cross-sectional and longitudinal coverage in a theoretically-grounded manner. The post-hoc nature of TQA facilitates its use as a general wrapper around any time series regression model. We validate TQA's performance through extensive experimentation: TQA generally obtains efficient PIs and improves longitudinal coverage while preserving cross-sectional coverage.