Core Concepts
다양한 기계 학습 모델의 예측 결과를 실시간으로 결합하여 신뢰할 수 있는 예측 생성
Abstract
이 논문은 기계 학습 모델 결합을 통해 신뢰할 수 있는 예측을 생성하는 방법을 제안합니다.
기존의 컨포멀 예측 방법은 단일 모델을 사용하여 예측 구간을 생성하지만, 어떤 모델을 사용할지 결정하기 어려운 문제가 있었습니다.
이 논문에서는 다양한 기계 학습 모델의 예측 결과를 실시간으로 결합하는 방법을 제안합니다. 각 모델의 과거 성능을 기반으로 동적으로 가중치를 조정하여 최종 예측 구간을 생성합니다.
제안된 방법은 i.i.d. 데이터 환경과 분포 변화가 있는 환경 모두에서 효과적으로 작동합니다. 실험 결과, 제안 방법은 가장 우수한 단일 모델의 성능에 근접하거나 능가하는 것으로 나타났습니다.
Stats
데이터가 순차적으로 관찰되는 온라인 환경을 가정합니다.
각 시점 t에서 공변량-반응 쌍 z(t) = (x(t), y(t))가 관찰됩니다.
K개의 다른 예측 알고리즘(전문가)이 존재하며, 각 알고리즘은 x(t)를 사용하여 y(t)를 예측합니다.
각 전문가 k는 과거 데이터 {z(i)}t−1
i=1을 사용하여 컨포멀 예측 구간 C(t)
k를 생성합니다.
Quotes
"컨포멀 예측은 강력한 분포 가정 없이도 기계 학습 모델에 합리적인 불확실성 정량화 기능을 제공합니다."
"모델 선택 및/또는 결합에 대한 상대적으로 다루지 않은 문제가 컨포멀 예측에 존재합니다."