Gewichtete Bayessche Konforme Vorhersage: Neue verteilungsfreie Intervalle

Eine neue Methode namens Weighted Bayesian Conformal Prediction (WBCP) verspricht, die Grenzen der klassischen konformen Vorhersage zu überwinden. Während die ursprüngliche Technik, bekannt als Bayesian Quadrature Conformal Prediction (BQ‑CP), nur unter der Annahme identisch verteilter Daten funktioniert, erweitert WBCP dieses Konzept auf beliebige gewichtete Stichproben.

Der Schlüssel zur Erweiterung liegt in der Ersetzung des gleichmäßigen Dirichlet‑Verteilungsparameters durch einen gewichteten Dirichlet‑Parameter, der die effektive Stichprobengröße (neff) von Kish berücksichtigt. Dadurch wird die Varianz der Posterior-Verteilung exakt an die Varianz der frequentistischen Schätzung angepasst.

Vier zentrale theoretische Resultate untermauern die Methode: Erstens ist neff der einzige Konzentrationsparameter, der die Varianzen beider Ansätze gleichsetzt. Zweitens fällt die Standardabweichung der Posterior‑Verteilung mit der Rate O(1/√neff). Drittens gilt die stochastische Dominanz von BQ‑CP auch für gewichtete Datenprofile, und vierthens liefert der höchstwahrscheinliche Intervall (HPD) eine Verbesserung der bedingten Abdeckung um O(1/√neff).

Als konkretes Beispiel wird WBCP für räumliche Vorhersagen eingesetzt und als Geographical BQ‑CP bezeichnet. Hier werden kernelbasierte räumliche Gewichte verwendet, um für jede Position eine eigene Posterior‑Verteilung zu erzeugen, die gleichzeitig interpretierbare Diagnostik ermöglicht.

Simulationen und Experimente an synthetischen sowie realen räumlichen Datensätzen zeigen, dass WBCP die gewünschten Abdeckungsgarantien beibehält und gleichzeitig die Vorhersagegenauigkeit verbessert. Diese Fortschritte eröffnen neue Möglichkeiten für verteilungsfreie Intervalle in Situationen mit starkem Datenverschiebungen und gewichteten Stichproben.