ICLR 2025 | ECI：一种能改善时序共形推断性能的损失函数

主要观点总结

本文介绍了时间序列预测中的不确定性量化问题，尤其是高风险领域如金融、气候科学、流行病学等。文章重点介绍了一篇针对该问题提出的Error-quantified Conformal Inference（ECI）方法，该方法通过平滑分位数损失函数引入连续的反馈机制，能够更准确地捕捉覆盖误差的动态变化，改进在线共形推断在时间序列预测中的性能。

关键观点总结

关键观点1: 研究背景

时间序列预测中的不确定性量化对于许多领域至关重要，尤其是在高风险领域。理想的模型应能持续输出校准良好的预测区间。

关键观点2: 现有方法的局限性

现有不确定性量化方法存在依赖严格参数假设、难以适应复杂数据分布等问题。

关键观点3: ECI方法的核心思想

通过平滑分位数损失函数，引入连续的反馈机制，量化覆盖误差的程度，快速适应时间序列中的分布变化。

关键观点4: ECI方法的贡献

提出ECI方法及其两个变体ECI-cutoff和ECI-integral，提供分布无关的覆盖保证，并通过实验验证其有效性。

关键观点5: 实验结果

ECI方法在多个真实世界数据集和合成数据集上验证了其有效性，能够在保持目标覆盖水平的同时生成更紧凑的预测区间。