UTOPIA: Universally Trainable Optimal Prediction Intervals Aggregation
UTOPIA：可训练的最优预测区间聚合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：摘要主要讨论通用预测区间聚合，金融与宏观数据应用未说明具体目标，细分领域证据不足。
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…
UTOPIA：可训练的最优预测区间聚合
- 研究问题
- 面对多种预测区间构造方法，如何聚合已有区间，在保证覆盖的同时控制平均宽度，并降低为具体数据选择方法的困难？
- 方法与思路
- 作者提出基于线性或凸规划的预测区间聚合策略；当候选方法由核或样条等基本函数构成时，该策略转化为预测带构造。
- 材料陈述的贡献
- 摘要称，方法提供覆盖概率与平均宽度的理论保证，并通过合成数据及金融、宏观经济两个真实数据集展示实际应用。
- 阅读关注点
- 应核对聚合优化的约束、覆盖保证针对的概率对象及平均宽度基准，并检查训练和评价数据如何使用、候选区间如何选取。
- 阅读边界
- 这是 arXiv 预印本，未核验同行评审或期刊接收；摘要未说明覆盖类型、数据条件及应用预测目标，不能据此认定具有条件覆盖保证。
原文摘要
Uncertainty quantification in prediction presents a compelling challenge with vast applications across various domains, including biomedical science, economics, and weather forecasting. There exists a wide array of methods for constructing prediction intervals, such as quantile regression and conformal prediction. However, practitioners often face the challenge of selecting the most suitable method for a specific real-world data problem. In response to this dilemma, we introduce a novel and universally applicable strategy called Universally Trainable Optimal Predictive Intervals Aggregation (UTOPIA). This technique excels in efficiently aggregating multiple prediction intervals while maintaining a small average width of the prediction band and ensuring coverage. UTOPIA is grounded in linear or convex programming, making it straightforward to train and implement. In the specific case where the prediction methods are elementary basis functions, as in kernel and spline bases, our method becomes the construction of a prediction band. Our proposed methodologies are supported by theoretical guarantees on the coverage probability and the average width of the aggregated prediction interval, which are detailed in this paper. The practicality and effectiveness of UTOPIA are further validated through its application to synthetic data and two real-world datasets in finance and macroeconomics.