共形对抗生成集成

摘要

arXiv:2609.38196v1 Announce Type: new Abstract: Accurate time series forecasting is critical across various domains, yet traditional ensemble methods often suffer from the disproportionate influence o...

the and from forecasts CAGE that ensemble conformal prediction data

2026-10-01 1 阅读约1分钟阅读 Ahmad Shahi, Mamehgol Yousefi, Brendon J. Woodford, Farhaan Mirza, Tapabrata Chakraborti

arXiv:2609.38196v1 发布类型：新摘要：准确的时间序列预测在各个领域都至关重要，但传统的集成方法常常受到极端预测的不成比例的影响。我们引入了共形对抗生成集成（CAGE），这是一种新颖的框架，它将生成建模、对抗性辨别和共形预测相结合，以提高预测的可靠性和准确性。 CAGE 采用多个生成模型来生成初始预测，然后由判别组件使用共形预测技术对其进行评估。从不合格分数得出的 P 值有助于动态调整模型权重，最大限度地减少不可靠预测的影响。这种方法确保只有最可信的预测才会对最终的集成输出做出贡献。我们对新西兰牛奶收集的时间序列数据和公共 owid-monkeypox 数据集中的全球健康数据进行的实证和统计分析表明，CAGE 优于传统的集成方法，特别是在处理异常值和噪声数据方面。通过整合保形预测，CAGE 可提供准确且统计上严格的预测，从而增强决策能力。我们故意在两个不同的数据集上展示了性能，以展示所提出的方法提供了一种可能适用于金融、天气和供应链管理的多功能解决方案。

订阅66必读