DistMatch: Adaptive Binning via Distribution Matching for Robust Sequential Conformal¶

会议: ICML 2026
arXiv: 2606.00690
代码: 待确认
领域: 时间序列 / 不确定性量化 / 保形预测
关键词: 序列保形预测, 分布漂移, Kolmogorov-Smirnov, 自适应分箱

一句话总结¶

DistMatch 提出基于 KS 统计量的递归分箱方法——通过将残差分组到近似可交换的叶子节点中摒弃权重重新分配，在分布漂移下提供有效的保形预测间隔；5 个数据集上均实现最小的区间宽度，同时保持有效覆盖率。

研究背景与动机¶

领域现状：序列保形预测通过构造预测区间提供有效的不确定性量化，但传统方法假设残差可交换性——这一假设在实际时间序列中常被违反。现有方法主要通过残差权重重新分配近似可交换性。

现有痛点： - 权重重新分配方案（时间权重法）难以准确估计权重，容易在分布突变时丢弃信息丰富的早期样本。 - 相似性检索方法对检索质量高度敏感，即使小的相似度估计错误也可能分配过大权重给不相关或噪声样本。 - 连续权重分配会扭曲残差的经验分布，导致量化估计失准。

核心矛盾：如何在不依赖精确权重估计的情况下，处理时间序列中的分布漂移并保证保形覆盖率。

本文目标：设计一种不需要权重重新分配的分箱方法，通过分组类似样本来诱导近似的局部可交换性，并对分布漂移具有鲁棒性。

切入角度：使用非参数 KS 统计量进行分布相似性度量，可以避免对全局平稳性等时间假设的依赖；相比权重重新分配，分箱方法通过保持经验分布的完整性更好地保留了残差的统计特性。

核心 idea：用 KS 统计量驱动的递归二元树替代权重方案——将残差递归分组到分布有界的叶子中，每个叶子独立应用在线量化回归实现局部自适应的鲁棒推理。

方法详解¶

整体框架¶

两个阶段——训练阶段：给定校准集残差，构造残差补丁 \(\tilde{\epsilon}_t = \{\epsilon_{t - w + 1}, \ldots, \epsilon_t\}\) 与目标残差 \(\epsilon_{t+1}\) 配对；通过最大化匹配得分递归选择分割锚点，将补丁分组到满足 KS 距离界的叶子中。推理阶段：对新补丁 \(\tilde{\epsilon}_T\)，通过递归比较其与分割锚点的 KS 距离路由到对应叶子，在叶子内应用量化回归森林（QRF）估计量化数构造预测区间；同时在线更新叶子内的 QRF 以适应新观测。

关键设计¶

基于 KS 统计量的递归分箱:
- 功能：通过分布相似性将残差分组到独立的子组，诱导近似可交换的叶子节点。
- 核心思路：定义匹配增益得分 \(\text{MG}(\tilde{\epsilon}_i) = \sum_j \mathbb{1}\{D_{\text{KS}}(\tilde{\epsilon}_i, \tilde{\epsilon}_j) \leq \gamma\}\)，在每个分割节点选择最大化该得分的锚点 \(s\)。KS 距离 \(D_{\text{KS}} = \sup_x |F_i(x) - F_j(x)|\) 衡量两个经验分布函数的最大偏差，是密度无关的非参数度量。递归分割直到无法找到满足最小样本数 \(n_{\min}\) 的更好分割。
- 设计动机：相比权重重新分配，分箱保持经验分布的完整性；相比 TV 距离等替代方案，KS 统计量计算效率高（\(O(w)\) vs \(O(n)\)），同时对偏斜分布的区分能力强。
残差补丁 + 目标级可交换性:
- 功能：建立补丁级分组与目标级可交换性之间的理论桥梁，确保预测覆盖率有效性。
- 核心思路：定义 \(\gamma^*\)-近似局部可交换性为 \(\max_{t \in \mathcal{L}_{k^*}} D_{\text{KS}}(P_{t+1}, P_{T+1}) \leq \gamma^*\)，即叶子内所有目标残差的分布与未见目标分布的 KS 距离有界。通过局部平稳性与 \(\beta\)-混合假设，当补丁级 KS 界为 \(2\gamma\) 时，可证明目标级界为 \(2 C \gamma + \mathcal{O}(\sigma_{\text{mix}})\)。
- 设计动机：相比全局可交换性，局部可交换性允许温和的分布漂移；通过补丁级测试实现目标级保证，避免直接估计未来分布的困难。
在线自适应 + 集成鲁棒性:
- 功能：在长序列中维持有效覆盖率，处理严重分布漂移。
- 核心思路：\(B\) 个自助树的集成，每棵树用采样比率 \(\theta\) 的自助样本构建。对每个未见补丁，至少一棵树以概率 \(p_{\min}\) 将其路由到匹配的右叶子；通过平均 \(B\) 棵树的量化估计 \(\bar{q} = \frac{1}{B} \sum_b q^{(b)}\) 获得鲁棒预测。每次观察新残差后更新对应叶子的 QRF 而不改变树结构。
- 设计动机：集成策略在极端漂移下提供多条后备路由路径；在线 QRF 更新使局部量化自适应演变而无需昂贵的树重建，保持 \(O(T w \log n)\) 的在线成本。

实验关键数据¶

主实验（5 个真实数据集，α = 0.1）¶

数据集	方法	覆盖率 ↑	区间宽度 ↓	Winkler 分数 ↓
Elec.	DistMatch	0.92	0.27	1.97
Elec.	SPCI	0.90	0.28	2.54
Solar	DistMatch	0.91	60.00	1.54
Solar	SPCI	0.85	47.36	1.98
Wind	DistMatch	0.90	69.04	2.15
Wind	SPCI	0.83	63.14	2.19

DistMatch 在所有 5 个数据集上都实现最小的区间宽度，同时保持有效覆盖率。

消融实验¶

配置	Elec.	Solar	Wind	平均 Winkler
完整模型（γ = 0.1, w = 100）	0.92	0.91	0.90	1.95
w/o KS（用 Wasserstein）	0.91	0.90	0.89	3.42
w/o KS（用 KL 散度）	0.88	0.86	0.82	覆盖率失效
w/o 集成（单树）	0.91	0.89	0.88	2.34

关键发现¶

KS 统计量相比 Wasserstein 和 KL 散度表现更佳，同时计算成本最低（\(O(w)\) vs \(O(n^2)\)）。
集成机制在严重漂移场景下关键。
超参数 \(\gamma\) 在 0.1 以内稳定性好，权衡了偏差-方差权衡。

亮点与洞察¶

创新性的理论框架：首次为基于分箱的序列 CP 建立了基于近似局部可交换性的理论保证；通过补丁级 KS 界推导目标级界，避免对未来分布的直接建模。
优雅的设计选择：KS 统计量作为分布匹配标准既简洁有效（非参数、密度无关），又有明确的几何解释（经验 CDF 的最大偏差）；相比连续权重，离散分箱自然保持了残差的经验分布完整性。
在线鲁棒性机制：集成 + 在线更新的二元组合使 DistMatch 在极端漂移下仍维持有效覆盖；计算效率比 SPCI 和 HopCPT 提升 \(T\) 倍。
可迁移的思想：分布匹配分箱的思想可扩展到其他需要处理分布漂移的不确定性量化任务（风险校准、概率预测）。

局限与展望¶

理论假设的实际满足度：依赖于局部平稳性和 \(\beta\)-混合假设，在长记忆或非平稳性极强的序列上可能失效。
超参数敏感性：虽然消融显示 \(\gamma \in [0.05, 0.15]\) 内稳定，但在新数据集上仍需通过贪心搜索优化。
样本量要求：校准集大小 \(n\) 影响树构建成本 \(O(n^2 w \log n)\)。
改进：自适应 \(\gamma\) 选择机制；扩展到多维输出或多步预测；探索其他时间序列任务（异常检测、需求预测）。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次将 KS 统计量引入序列 CP，用分箱替代权重，理论框架创新。
实验充分度: ⭐⭐⭐⭐ 5 个真实数据集 + 8 个基线对比 + 消融实验 + 理论验证充分；缺乏在极限数据和跨领域泛化的实验。
写作质量: ⭐⭐⭐⭐⭐ 逻辑清晰，符号规范，理论推导严密，实验分析透彻。
价值: ⭐⭐⭐⭐ 序列 CP 是实用问题，DistMatch 效果显著；应用主要限于时间序列领域，理论框架对不确定性量化社区有参考价值。