이 논문은 예측 구간 생성 문제에 대한 새로운 접근법을 제안한다. 기존의 방법들은 사전에 정의된 불확실성 구조에 의존하거나 전체 데이터에 대한 평균적인 성능만을 보장하는 한계가 있었다.
저자들은 데이터 기반으로 입력 데이터의 불확실성을 학습하여 이를 활용해 예측 구간을 생성하는 PLCP(Partition Learning Conformal Prediction) 알고리즘을 제안한다. PLCP는 입력 공간을 여러 그룹으로 분할하고, 각 그룹에 대해 최적의 예측 구간을 생성한다. 이를 통해 기존 방법들에 비해 향상된 조건부 보장 성능을 달성한다.
이론적으로, PLCP의 예측 구간은 입력 공간의 분할 수가 증가함에 따라 조건부 보장 오차가 감소하는 것을 보였다. 또한 유한 데이터 환경에서도 PLCP의 성능을 이론적으로 분석하였다.
실험 결과, PLCP는 다양한 실세계 및 합성 데이터셋에서 기존 방법들에 비해 우수한 조건부 보장 성능과 더 짧은 예측 구간 길이를 보였다. 특히 인구통계학적 하위 집단이나 분포 변화가 있는 경우에도 PLCP의 성능이 뛰어났다.
To Another Language
from source content
arxiv.org
Viktige innsikter hentet fra
by Shayan Kiyan... klokken arxiv.org 04-29-2024
https://arxiv.org/pdf/2404.17487.pdfDypere Spørsmål