Conformal Inference for Online Prediction with Arbitrary Distribution Shifts
任意分布漂移下在线预测的保形推断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：摘要研究在线预测集合，并明确将方法用于股票市场波动率预测。
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
任意分布漂移下在线预测的保形推断
- 研究问题
- 当数据生成分布随时间变化且变化速度未知时，如何在线构造能及时适应漂移的预测集合，并控制局部时间区间内的遗憾？
- 方法与思路
- 作者修改自适应保形推断算法，在梯度更新中加入随时间调整步长的步骤，可配合提供点预测或分位数预测的基础算法使用。
- 材料陈述的贡献
- 摘要称新程序对给定宽度的所有局部区间具有小遗憾保证，并能适应漂移规模与类型，股票波动率和疫情预测展示了适应性。
- 阅读关注点
- 应核对遗憾所对应的损失、区间宽度与界的关系，以及这些保证如何转化为覆盖表现；同时检查步长调节和实证评估方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实。摘要未给出遗憾界和覆盖条件，不能把局部遗憾保证等同于逐点条件覆盖。
原文摘要
We consider the problem of forming prediction sets in an online setting where the distribution generating the data is allowed to vary over time. Previous approaches to this problem suffer from over-weighting historical data and thus may fail to quickly react to the underlying dynamics. Here we correct this issue and develop a novel procedure with provably small regret over all local time intervals of a given width. We achieve this by modifying the adaptive conformal inference (ACI) algorithm of Gibbs and Candès (2021) to contain an additional step in which the step-size parameter of ACI's gradient descent update is tuned over time. Crucially, this means that unlike ACI, which requires knowledge of the rate of change of the data-generating mechanism, our new procedure is adaptive to both the size and type of the distribution shift. Our methods are highly flexible and can be used in combination with any baseline predictive algorithm that produces point estimates or estimated quantiles of the target without the need for distributional assumptions. We test our techniques on two real-world datasets aimed at predicting stock market volatility and COVID-19 case counts and find that they are robust and adaptive to real-world distribution shifts.