精选理由
时间序列预测的置信区间一直是个难题，做时序建模的团队可以试试LWO——它比分割法更高效，也比原始Jackknife更可靠，值得在ARIMA或LSTM上跑一跑。
传统共形预测方法依赖数据可交换性和无记忆预测器，这在时间序列中不现实。近期研究表明分割共形预测对时间序列的依赖性和记忆性预测器具有鲁棒性，但分割会降低精度。本文发现原始留一法Jackknife在时间序列中可能严重损失覆盖率，因此提出“留窗口法”（LWO），通过修改Jackknife使其在温和稳定性条件下实现有效覆盖率。实验显示LWO在原始Jackknife失效时仍能保持有效覆盖率，且预测区间比分割共形预测更窄。
AI 翻译 · 中文
传统共形预测方法依赖数据可交换性和无记忆预测器，这在时间序列中不现实。近期研究表明分割共形预测对时间序列的依赖性和记忆性预测器具有鲁棒性，但分割会降低精度。本文发现原始留一法Jackknife在时间序列中可能严重损失覆盖率，因此提出“留窗口法”（LWO），通过修改Jackknife使其在温和稳定性条件下实现有效覆盖率。实验显示LWO在原始Jackknife失效时仍能保持有效覆盖率，且预测区间比分割共形预测更窄。
Conformal prediction methods enjoy strong theoretical and empirical predictive inference performance, provided the data is exchangeable, and predictors are trained in a memoryless fashion. However, these assumptions and …