Neues Online-Conformal-Prediction nutzt Attention, reduziert Vorhersageintervalle um 88 %

Ein neues Verfahren namens Attention-based Feature Online Conformal Prediction (AFOCP) verspricht, die Genauigkeit von Vorhersagen für Zeitreihen erheblich zu verbessern. Im Gegensatz zu herkömmlichen Online-Conformal-Prediction-Methoden arbeitet AFOCP im Feature‑Raum vortrainierter neuronaler Netze und nutzt dabei die bereits gelernten Repräsentationen, um kompaktere Vorhersageintervalle zu erzeugen.

Die Innovationen von AFOCP liegen in zwei Bereichen: Erstens wird die Konformität in den Feature‑Daten statt im Output‑Raum bewertet, wodurch nur die für die Aufgabe relevanten Informationen berücksichtigt und störende Variationen unterdrückt werden. Zweitens integriert das Verfahren ein Attention‑Mechanismus, der historische Beobachtungen je nach ihrer Relevanz für den aktuellen Testpunkt unterschiedlich gewichtet. Dadurch kann AFOCP besser mit Nicht‑Stationarität und Verteilungssprüngen umgehen.

Die Autoren zeigen theoretisch, dass AFOCP langfristig die gewünschten Abdeckungsraten garantiert und gleichzeitig unter milden Regularitätsbedingungen kleinere Vorhersageintervalle liefert als Standard‑OCP. In umfangreichen Tests an synthetischen und realen Zeitreihendaten konnte AFOCP die Größe der Intervalle um bis zu 88 % reduzieren, ohne die Zielabdeckung zu gefährden. Diese Ergebnisse unterstreichen die Vorteile einer feature‑basierten Kalibrierung kombiniert mit adaptiver Gewichtung historischer Daten.