バイアス補正付き適応型適合性推論（BC-ACI）による多期間ホライズン時系列予測

arXiv cs.LG / 2026/4/16

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、標準的な適応型適合性推論（ACI）を超えて、多期間ホライズン時系列予測における分布シフトへの頑健性を高めるために、バイアス補正付き適応型適合性推論（BC-ACI）を提案する。
BC-ACIは、ACIが区間幅のみを適応させるという限界に対処し、オンラインで持続的な予測バイアスを推定（指数移動平均によって）して、バイアス補正された非適合度スコアにより予測区間を再センタリングすることで改善する。
推定されたバイアスがノイズの範囲にある場合には不要な補正を避けるための適応的なデッドゾーン閾値を設け、すでに十分に校正されたデータを損なわないことを狙う。
2つの基盤モデル、4つの合成レジーム、3つの実データセットを用いた合計688回の実験において、BC-ACIは平均／複合（compound）分布シフト下でウィンクラー区間スコアを13〜17%低減しつつ、定常データでは性能を維持する。
著者らは、バイアス推定誤差が増大した場合でも、カバレッジ保証が“なだらかに（gracefully）”低下することを有限標本解析で示している。

Abstract

適応的適合性推論（Adaptive Conformal Inference, ACI）は、分布シフト下の時系列に対して、漸近的なカバレッジ保証を伴う分布非依存の予測区間を提供します。しかし、ACIは適応するのが分位数のしきい値のみであり、区間の中心をシフトすることはできません。基礎となる予測器がレジーム転換後に持続的なバイアスを生じる場合、ACIは対称的に区間を拡げることで補償してしまい、過度に保守的なバンドが生成されます。私たちは、予測バイアスのオンライン指数移動平均（EWM）推定を標準的なACIに追加する、Bias-Corrected ACI（BC-ACI）を提案します。BC-ACIは、分位数計算の前に適合性（nonconformity）スコアを補正し、予測区間を再中心化することで、誤カリブレーションの「症状」ではなく「根本原因」に対処します。適応的なデッドゾーンのしきい値は、推定バイアスがノイズと区別できない場合に補正を抑制し、よくカリブレーションされたデータ上で劣化が生じないことを保証します。2つの基礎モデル、4つの合成レジーム、および3つの実データセットにまたがる計688回の制御実験において、BC-ACIは平均および複合分布シフト下でWinkler区間スコアを13--17%（Wilcoxon p < 0.001）削減し、定常データ上では同等の性能を維持します（比 1.002x）。さらに、バイアス推定誤差とともにカバレッジ保証がどのように緩やかに悪化するかを示す有限標本解析も提供します。