Universal Prediction Band via Semi-Definite Programming
利用半正定规划构造通用预测带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。
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：摘要讨论通用预测不确定性量化，未明确涉及宏观时间序列或金融收益预测。
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
利用半正定规划构造通用预测带
- 研究问题
- 在存在异方差、且用户可能未指定预测模型时，如何构造分布假设较少、具有非渐近覆盖保证并便于计算的预测带？
- 方法与思路
- 作者将数据自适应预测带表述为带置信保证的方差插值，结合半正定规划与平方和优化，使用标准凸规划实现。
- 材料陈述的贡献
- 摘要称提出共形预测之外的替代方法，具有非渐近覆盖性质和计算优势，并分析理论与数值表现，但未报告具体比较结果。
- 阅读关注点
- 应核对覆盖是边际还是条件性质、所需数据与分布条件、预测带宽度和优化规模，以及与共形预测比较时使用的相同标准。
- 阅读边界
- 以下限制对应原请求所用摘要版本：所据为 arXiv 预印本，同行评审与期刊接收未核实；摘要未明确最小假设及覆盖界，通用性表述不能理解为对任意数据过程有效。 经AI辅助核对旧与当前摘要内容等价；未另读刊稿全文，不能据此证明整个稿件版本等价。
原文摘要
Abstract We propose a computationally efficient method to construct nonparametric, heteroscedastic prediction bands for uncertainty quantification, with or without any user-specified predictive model. Our approach provides an alternative to the now-standard conformal prediction for uncertainty quantification, with novel theoretical insights and computational advantages. The data-adaptive prediction band is universally applicable with minimal distributional assumptions, has strong non-asymptotic coverage properties, and is easy to implement using standard convex programs. Our approach can be viewed as a novel variance interpolation with confidence and further leverages techniques from semi-definite programming and sum-of-squares optimization. Theoretical and numerical performances for the proposed approach for uncertainty quantification are analysed.