镜像在线符合预测与间歇反馈-计算机科学-共形预测-在线凸优化-算法.pdfVIP

1

镜像在线符合预测与间歇反馈

BowenWang,StudentMember,IEEE,MatteoZecchin,Member,IEEE,andOsvaldoSimeone,Fellow,IEEE

摘要—在线共形预测允许使用对模型性能的反馈来校准预表I

先训练好的人工智能模型。通过更新集合预测以确保长期覆盖率与最新技术的比较

保证，从而实现这种校准。尽管最近的研究已经证明将先验知识Methods自动气候信息系统I-ACIB-ACIIB-ACIIM-OCP

[11][19][20]（本工作）

整合到校准过程中具有益处，但这却牺牲了覆盖保证，转而采用

long-termcoverage

基于分位数损失的不太具体的遗憾保证。这项工作引入了间歇镜

sublinearregret

像在线共形预测（IM-OCP），这是一种新的运行时校准框架，priorinformation

它结合了先验知识，在可能间歇性的反馈下运作，并具有最小的constantmemory

记忆复杂性。IM-OCP保证长期覆盖率和次线性遗憾，这两者intermittentfeedback

对任何给定的数据序列而言都确定成立，并且在预期值上相对于

间歇性反馈成立。比，这表明在独立数据[20]的随机的设置中表现更好。

本然而，B-ACI不能像ACI那样保证长期覆盖的确定性。

IndexTerms—共形预测，校准，间歇反馈，在线凸优化

译此外，它需要存储过去的数据，并且在每个校准步骤中

I.介绍

中解决一个凸优化问题。

5N安全关键和高风险的顺序决策过程，如在机器人如表I所总结，现有的在线校准方案要么无法结合

vI学[1],[2]、无线通信[3],[4]、金融[5]和医学[6],[7]先验信息，要么牺牲长期覆盖保证（详情见第II节）。

5

4中，准确量化不确定性以可靠预测给定行动的潜在结果本研究通过以下关键贡献解决了这些限制：

3是非常重要的。在这些情况下，生成可靠的不确定性估间歇镜在线符合预测（IM-OCP）：我们介绍了一种新

0

1.计通常具有挑战性，这归因于数据生成分布的非平稳性颖的在线校准框架IM-OCP，该框架基于在线镜像下

3和预测质量反馈可能仅间歇可用[8]。降(OMD)[21]–[23]，通过整合先验知识并采用重要性

0

5一种正式的方法来量化不确定性是通过满足覆盖加权策略[24]来处理间歇反馈。IM-OCP展现了常数

2保证的预测集补充点预测[9]。值得注意的是，在线共

:级别的内存使用和低复杂度的更新。

v形预测（OCP）[10]方案将任何黑盒模型生成的预测转

i