非可交换面板数据的在线共形预测

arXiv:2605.17705v2 公告类型：replace-cross 摘要：我们研究部分可观测面板中的在线共形预测：在每个目标结果出现之前，都会观测到一组新的同类单元结果截面；目标反馈可能间歇出现或完全缺失，且单元和轮次均不必满足可交换性。我们提出 Weighted Temporal Quantile Adjustment（W-TQA），将从单元历史中学习到的相似性权重与针对特定目标的自适应未覆盖率水平相结合。我们证明，目标与同类单元之间的不匹配程度以及未揭示结果轮次上的覆盖率均不可识别，因此，对跨单元相似性和反馈机制的假设不可避免。我们根据这种不匹配程度给出以过去信息为条件的未覆盖率上界，在特征剖面相似性假设下量化学习权重的代价，并证明，在反馈完全随机缺失且校准面板满足可行性条件时，以同类单元的最大得分作为回退方案的实际执行流程能够达到长期平均覆盖率要求。在合成面板和四个真实面板上，包括一个真正异步的美国至东京股票面板，W-TQA 在每个面板中覆盖最差的目标单元上均取得了最高覆盖率；当目标反馈稀缺时，相似性加权的贡献最大，而随着反馈积累，时间自适应的贡献则更大。