generali.com

이 이메일 도메인이 관측된 논문 1건

arXiv:2610.08715v1stat.ME

공간에 걸친 시계열을 위한 예측 기반 추론(Prediction-powered inference)

Prediction-powered inference for time series across space

다음과 같은 패턴은 공간-시간적(spatiotemporal) 환경에서 흔히 나타난다: 우리는 상대적으로 짧은 최근 기간 동안 관측된 공변량(covariate)과 레이블(label) 쌍의 시퀀스를 가지고 있다. 또한 더 긴 기간에 걸친 레이블이 없는(unlabeled) 공변량에도 접근할 수 있다. 데이터는 여러 공간적 위치(spatial location)에서 관측된다. 예를 들어, 작물 수확량(crop yield)은 최근 몇 년간 넓은 지리적 영역에서 관측될 수 있지만, (작물 수확량에 대한 정보를 제공하는) 기상 데이터는 훨씬 더 긴 기간 동안 이용 가능하다. 목표는 각 공간적 위치에서 미래의 예상 레이블 값(예: 작물 수확량)을 추정하고 이 값에 대한 유효한 신뢰구간(confidence interval)을 제공하는 것이다. 관측된 기간만으로는 신뢰할 수 있는 추정을 하기에 너무 짧다. 머신러닝으로 누락된 레이블을 대체(imputing)하면 상당한 바이어스가 발생할 수 있다. 예측 기반 추론(Prediction-powered inference, PPI)은 이러한 바이어스를 보정할 수 있지만, 우리가 예상하는 시간적 의존성(temporal dependency) 하에서는 깨지는 i.i.d. 가정에 의존한다. 이분산성 및 자기상관에 대해 일관성을 갖는(Heteroskedasticity and autocorrelation consistent, HAC) 절차는 시간적 상관관계를 반영하지만, 일부 레이블이 대체(impute)된 경우에 맞게 조정되지 않았다. 우리는 다음이 주어졌을 때 신뢰할 수 있는 점 추정값(point estimate)과 신뢰구간을 제공한다: (공간적 위치에 걸친) 짧은 레이블이 있는 시계열, 더 긴 레이블이 없는 시계열, 그리고 공변량으로부터 레이블을 예측하는 불완전한 예측기(predictor). 우리는 우리의 방법이 자연스러운 대안들보다 더 우수한 성능을 보인다는 것을 보여준다.