창 하나를 남겨두기: 시계열 예측 추론을 위한 Jackknife 수정 방법

Conformal prediction (등각 예측) 방법론은 데이터가 교환 가능 (exchangeable)하고, 예측기 (predictors)가 메모리리스 (memoryless) 방식으로 학습된다는 전제하에 강력한 이론적 및 경험적 예측 추론 (predictive inference) 성능을 보여줍니다. 그러나 이러한 가정과 제약 조건은 시계열 (time series)과 같은 많은 실제 데이터 환경에서는 비현실적입니다 (시계열에서는 시간적 의존성 (temporal dependence)이 교환 가능성을 위반하며, 메모리리스 예측기는 필연적으로 낮은 예측 정확도를 갖게 됩니다). 최근 연구에 따르면, split conformal prediction (분할 등각 예측) 방법은 시계열 데이터의 일반적인 특징인 메모리 기반 예측기 및 교환 가능성에서의 이탈 문제에 대해 강건함을 보여줍니다. 하지만 샘플 분할 (sample splitting)을 사용하는 것은 정확도를 낮출 수 있으므로, 데이터 분할에 의존하지 않는 다른 예측 추론 방법들도 시계열 환경에서 신뢰성 있게 사용될 수 있는지에 대한 의문이 제기됩니다. 본 연구에서는 기본적인 leave-one-out jackknife (하나를 제외하는 잭나이프) 방법이 가벼운 시간적 의존성을 가진 표준적인 시계열 모델에서도 커버리지 (coverage)의 임의적인 손실을 겪을 수 있음을 보여줍니다. 이에 대한 해결책으로, 우리는 이러한 환경에 맞게 정교하게 수정된 방법을 제안하며, 이를 leave-a-window-out (LWO, 창 하나를 남겨두기) 방법이라 명명합니다. 또한 모델 피팅 (model-fitting) 절차가 가벼운 안정성 (stability) 속성을 만족한다면 유효한 커버리지를 달성할 수 있음을 보여줍니다. 우리의 증명은 데이터가 cyclic exchangeability (순환 교환 가능성)로부터 벗어나는 정도를 정량화하는 것에 기반하며, 이러한 이탈 정도를 측정하기 위한 새로운 계수 (coefficients)를 도입합니다. 시계열 데이터에 대한 실험을 통해, 우리의 LWO 방법이 기존의 jackknife가 커버리지 확보에 실패할 때 종종 유효한 커버리지를 누리는 동시에, split conformal prediction보다 훨씬 더 좁은 구간 (intervals)을 생성함을 입증합니다.