Der Artikel stellt eine neue Methode zur Aggregation von Konformalvorhersageintervallen mehrerer Algorithmen vor. Die Kernidee ist, die Vorhersagen der verschiedenen Modelle durch ein Mehrheitsvotingverfahren zu kombinieren, wobei die Gewichte der Modelle dynamisch an ihre Leistung in der Vergangenheit angepasst werden.
Zunächst wird das Problem der Modellauswahl oder -aggregation in der Konformalvorhersage erläutert. Es wird gezeigt, dass alle Modelle theoretisch die gleiche Überdeckungsgarantie liefern, sich aber in der Effizienz (Intervallgröße) unterscheiden können.
Daraufhin wird ein neuer Ansatz basierend auf einem dynamischen Mehrheitsvotingverfahren vorgestellt. Dabei werden die Gewichte der Modelle im Laufe der Zeit entsprechend ihrer Leistung in der Vergangenheit angepasst. Modelle, die konsistent kleinere Vorhersageintervalle liefern, erhalten höhere Gewichte. Es wird bewiesen, dass das resultierende aggregierte Intervall weiterhin eine gültige Überdeckungsgarantie besitzt.
Anschließend wird das Verfahren unter i.i.d. Bedingungen und bei Verteilungsverschiebungen evaluiert. In beiden Fällen zeigt sich, dass die dynamische Gewichtung der Modelle zu einer effizienten Aggregation der Vorhersageintervalle führt.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Matteo Gaspa... at arxiv.org 03-26-2024
https://arxiv.org/pdf/2403.15527.pdfDeeper Inquiries