- Калибровка моделей ИИ для беспроводной связи с помощью конформного прогнозирования (arXiv)
Автор: Кфир М. Коэн, Санву Парк, Освальдо Симеоне, Шломо Шамай.
Аннотация: При использовании в сложных инженерных системах, таких как сети связи, модели искусственного интеллекта (ИИ) должны быть не только максимально точными, но и хорошо откалиброванными. Хорошо откалиброванная модель ИИ — это модель, которая может надежно измерять неопределенность своих решений, присваивая высокие уровни достоверности решениям, которые, вероятно, будут правильными, и низкие уровни достоверности — решениям, которые, вероятно, будут ошибочными. В этой статье исследуется применение конформного прогнозирования в качестве общей основы для получения моделей ИИ, которые выдают решения с формальными гарантиями калибровки. Конформное предсказание преобразует вероятностные предикторы в предикторы множества, которые гарантированно содержат правильный ответ с вероятностью, выбранной разработчиком. Такие формальные гарантии калибровки сохраняются независимо от истинного неизвестного распределения, лежащего в основе генерации интересующих переменных, и могут быть определены в терминах вероятностей по ансамблю или усредненных по времени. В этой статье конформное прогнозирование впервые применяется к разработке ИИ для систем связи в сочетании как с частотным, так и с байесовским обучением, с акцентом на демодуляцию, классификацию модуляции и прогнозирование канала.
2. Последовательный прогнозирующий конформный вывод для временных рядов (arXiv)
Аннотация: Мы представляем новый алгоритм конформного прогнозирования без распределения для последовательных данных (например, временных рядов), называемый \textit{последовательный прогнозирующий конформный вывод} (\texttt{SPCI}). Мы специально учитываем тот факт, что данные временных рядов не подлежат обмену, и поэтому многие существующие алгоритмы конформного прогнозирования неприменимы. Основная идея состоит в том, чтобы использовать временную зависимость показателей несоответствия (например, остатков предсказания); таким образом, прошлые остатки содержат информацию о будущих. Затем мы рассматриваем проблему интервала конформного прогнозирования как прогнозирование квантиля будущего остатка с учетом заданного пользователем алгоритма прогнозирования точек. Теоретически мы устанавливаем асимптотическое действительное условное покрытие при расширении анализа согласованности в квантильной регрессии. Используя моделирование и эксперименты с реальными данными, мы демонстрируем значительное сокращение ширины интервала \texttt{SPCI} по сравнению с другими существующими методами при желаемом эмпирическом покрытии.
