🤖 AI

Relevance-Aware Thresholding in Online Conformal Prediction for Time Series

本文提出了一种新颖的针对时间序列的在线符合预测（Online Conformal Prediction）框架，该框架通过在阈值更新步骤中以相关性感知函数取代二元覆盖检查，在保持有效性的同时提高了预测区间的紧凑性。

原作者： Théo Dupuy, Binbin Xu, Stéphane Perrey, Jacky Montmain, Abdelhak Imoussaten

发布于 2026-06-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Théo Dupuy, Binbin Xu, Stéphane Perrey, Jacky Montmain, Abdelhak Imoussaten

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你正在尝试预测明天的天气。你不想仅仅说“气温是 20°C”，而是想给出一个范围，比如“气温将在 18°C 到 22°C 之间”。但这个范围应该有多宽呢？

如果你把范围设得太宽（例如 0°C 到 40°C），你几乎肯定是对的，但由于信息过于模糊，这个预测就毫无用处。如果你把范围设得太窄（例如 19.9°C 到 20.1°C），它可能非常精确，但你也面临着出错的风险。

这篇论文旨在为这些预测范围寻找“金发姑娘”区间（即最合适的区间），特别是针对像股票价格或温度这类随时间变化的事物。

问题所在：“非黑即白”的错误

作者研究了一种被称为**在线符合预测（Online Conformal Prediction, OCP）**的方法。可以将 OCP 想象成一个智能恒温器，它会根据过去预测错误的频率来调整温度范围。

然而，这些恒温器以往的工作方式非常粗糙。它们只考虑两种可能性：

实际温度是否落在你的范围内？（成功）
实际温度是否落在范围外？（失败）

论文指出这种逻辑中的一个缺陷。想象一下你的范围是 [0°C, 10°C]。

场景 A： 实际温度是 11°C。你错了。
场景 B： 实际温度是 50°C。你也错了。

在旧系统中，这两种情况被视为完全相同：即“你失败了”。恒温器会做出反应，为了避免再次出错，会大幅扩大明天的预测范围。但这并不公平！偏离 1 度（场景 A）与偏离 40 度（场景 B）相比，其严重程度截然不同。旧系统无法分辨两者的区别，因此会对微小的错误反应过度，而对巨大的错误反应不足。

解决方案：“感知相关性”的调整

作者提出了一种新的调整预测范围的方法。他们不再使用简单的“通过/失败”开关，而是引入了一个**“相关性度量仪”（Relevance Meter）**。

这就像是一个电子游戏的得分机制：

如果你离目标只差了一点点，你会得到一个“低惩罚”。
如果你离目标差得非常远，你会得到一个“高惩罚”。

新方法使用一个数学函数（一条平滑曲线）来衡量实际值距离你预测范围边缘有多远。

如果实际值仅仅是稍微超出了范围： 系统会说，“好吧，你离得很近。我们只稍微扩大一点范围。”
如果实际值远远超出了范围： 系统会说，“哇，这次失误很大！让我们显著地扩大范围。”

为什么这很重要

通过使用这个“相关性度量仪”，系统不再进行突然且剧烈的调整。

旧方法： 一个微小的错误会导致系统陷入恐慌，并在很长一段时间内让预测范围变得巨大。
新方法： 系统的反应更加平滑。它能在保持足够准确性的同时，尽可能让预测范围保持紧凑。

研究结果

作者在真实世界的数据上测试了该方法，例如亚马逊、谷歌和微软的股价，以及德里的气温。他们将这种新的“感知相关性”方法与旧有的“非黑即白”方法进行了对比。

研究结果显示：

准确性保持不变： 新方法在确保实际值落在范围内的能力（有效性）方面与旧方法一样出色。
范围变得更紧凑： 因为系统不再对微小的错误反应过度，所以预测范围变得更窄了。这意味着预测更加精准，对决策者更有用。

总结

论文认为，在对随时间变化的事物进行预测时，我们不应仅仅问“我是对还是错？”，而应该问“我错得有多离谱？”通过衡量错误的程度，我们可以创建更智能、更紧凑且更有用的预测范围，同时又不失去我们的安全保障。

技术摘要：在线符合预测中面向相关性的阈值化方法

问题陈述

机器学习应用在敏感领域（如医疗、金融等）中对鲁棒的不确定性量化提出了日益增长的需求。虽然符合预测（Conformal Prediction, CP）提供了无分布假设的覆盖保证，但其经典形式依赖于数据可交换性的假设，而由于分布偏移的存在，这一假设在时间序列数据中经常被违反。

为了解决这一问题，研究人员开发了在线符合预测（Online Conformal Prediction, OCP）方法，通过根据观测到的误差动态更新预测区间。然而，现有的最先进 OCP 方法（如 PID 和 ECI）通常依赖于对预测性能的二元评估：即真实值是在预测区间内还是在区间外。这种二元方法丢弃了关于误差程度的有价值信息——例如，当真实值位于区间外时，忽略了误差的量级；或者当真实值位于区间内时，忽略了安全性的程度。因此，这些方法可能会产生过于保守（过宽）的预测区间，或导致阈值调整过于剧烈，从而产生缺乏信息量的输出。

方法论

本文提出了一种**面向相关性的阈值化（Relevance-Aware Thresholding）**框架，该框架使用量化预测区间“相关性”的连续函数取代了二元误差指示函数。

核心概念

该框架不再使用指示函数 $1\{Y_t \notin \hat{C}_t\}$ ，而是引入了一族可定制的函数 $f_{\omega, v, \mu_t}(s_t - q_t)$ ，将真实值（ $Y_t$ ）与预测边界之间的距离映射到 $[0, 1]$ 区间内的值。

输入： 量值 $s_t - q_t$ ，其中 $s_t$ 是非符合性得分（预测值与真实值之间的距离）， $q_t$ 是当前阈值。
行为：
- 如果真实值远在区间之外（ $s_t - q_t \gg 0$ ），函数趋向于 1，发出需要为下一步显著增加阈值的信号。
- 如果真实值远在区间之内（ $s_t - q_t \ll 0$ ），函数趋向于 0，发出可以降低阈值以收紧区间的信号。
- 如果真实值靠近边界，函数会在目标失覆盖率 $\alpha$ 附近进行平滑过渡。
函数设计：
所提函数族定义为：
$f_{\omega,v,\mu_t}(s_t - q_t) = \sum_{i=1}^l \omega_i \cdot \sigma\left( \frac{v_i}{\mu_t} \cdot (s_t - q_t) - \ln\left(\frac{1-\alpha}{\alpha}\right) \right)$
其中：
$\sigma$ 是 Sigmoid 函数。
$\mu_t$ 是动态缩放因子（近期绝对误差的均值），确保了尺度无关性。
$\omega$ 和 $v$ 是允许决策者（DM）根据领域专业知识调节函数形状（例如，针对特定误差范围创建平台期）的参数。

集成至 OCP

作者将这些函数集成到两种主流 OCP 算法中：

PID（比例-积分-微分）： 在更新规则中，二元指示函数被替换为在不同配置下的相关性函数（全替换、仅饱和或仅误差项）。
ECI（误差修正推理）： 涉及函数梯度的平滑项被修改为使用所提相关性函数的梯度。

理论分析（定理 1–3）表明，在关于饱和函数和学习率满足特定条件的条件下，这些修改后的更新能够保持长期覆盖保证（有效性）。

核心贡献

面向相关性的框架： 引入了一种通用方法，利用真实值与预测边界之间的距离，超越了 OCP 中传统的二元误差追踪。
可定制的函数族： 一套参数化函数，允许决策者根据领域约束和偏好来定制惩罚/奖励机制。
算法增强： 修改了最先进的 OCP 方法（PID 和 ECI），以纳入这些函数，并通过理论证明确保维持了有效性（覆盖率）。
实证验证： 通过对 Amazon、Google、Microsoft 股票价格及德里温度数据的实验，证明了改进后的方法在保持或提高覆盖有效性的同时，实现了更紧凑的预测区间（提高了效率）。

实验结果

作者在真实数据集（Amazon、Google 和 Microsoft 股票价格以及德里温度数据）上评估了改进后的 PID 和 ECI 方法。

PID 结果： 在 Amazon 数据集上，改进后的 PID 在保持 90% 覆盖率的同时，将平均区间宽度从 32.42 降至 29.36（AR 回归器）；在 Google 股票数据上，改进后的 PID 显著降低了平均宽度（例如，对于 AR 模型，从 43.75 降至 34.96）并保持了覆盖率。
ECI 结果： 在作者的实验设置中，原始 ECI 方法难以达到目标 90% 的覆盖率（仅达到约 78-83%）。改进后的 ECI 在所有数据集上都成功实现了 90% 的目标覆盖率。虽然在某些情况下改进后的 ECI 产生的区间比原始 ECI 略宽，但原始方法的区间过窄，被认为是不可靠的（存在欠覆盖问题）。在与原始 ECI 论文报告的结果直接对比时，改进后的方法表现出竞争性或更优越的性能，特别是在温度数据集上，其各项指标均优于原始方法。
稳定性： 相关性函数的使用使得阈值调整更加平滑，防止了二元更新方法中常见的剧烈波动。

意义与主张

本文的主张是，通过从二元误差视角转向基于相关性的视角，OCP 方法可以在不牺牲关键的覆盖有效性要求的前提下，生成更具信息量（更窄）的预测区间。这对于存在分布偏移且决策者需要鲁棒不确定性量化的时间序列应用场景尤为重要。

作者强调，这项工作为开发用于敏感应用的可信 AI 做出了贡献。他们指出，该方法允许通过相关性函数的参数化来纳入决策者的偏好，弥合了统计保证与实际决策需求之间的鸿沟。论文最后进行了谦逊的总结，建议未来的工作应侧重于优化超参数，并进一步研究缩放参数 $\mu_t$ 的影响。