Split Conformal Prediction and Non-Exchangeable Data
非可交换数据下的分割保形预测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：摘要明确将非可交换理论用于时间序列及具有时间依赖的预测覆盖问题。
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…
非可交换数据下的分割保形预测
- 研究问题
- 当时间序列或时空数据不满足可交换性时，分割保形预测能否继续提供覆盖保障，需要付出怎样的覆盖误差代价？
- 方法与思路
- 作者建立基于集中不等式与数据解耦性质的理论框架，为若干非可交换过程给出带覆盖惩罚的保障，并开展实验比较。
- 材料陈述的贡献
- 摘要称加入较小覆盖惩罚后仍可获得有效性保障，并报告分割保形预测在覆盖率、区间宽度与计算速度方面具有竞争力。
- 阅读关注点
- 核对允许的数据依赖类型、覆盖惩罚如何随样本量变化，以及保障属于何种覆盖概念；检查实验比较是否采用一致设置。
- 阅读边界
- 所据版本为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明具体过程条件，结论不能推广到任意依赖。
原文摘要
Split conformal prediction (CP) is arguably the most popular CP method for uncertainty quantification, enjoying both academic interest and widespread deployment. However, the original theoretical analysis of split CP makes the crucial assumption of data exchangeability, which hinders many real-world applications. In this paper, we present a novel theoretical framework based on concentration inequalities and decoupling properties of the data, proving that split CP remains valid for many non-exchangeable processes by adding a small coverage penalty. Through experiments with both real and synthetic data, we show that our theoretical results translate to good empirical performance under non-exchangeability, e.g., for time series and spatiotemporal data. Compared to recent conformal algorithms designed to counter specific exchangeability violations, we show that split CP is competitive in terms of coverage and interval size, with the benefit of being extremely simple and orders of magnitude faster than alternatives.