贝叶斯模型回归
本文提出和分析了一种基于线性分位数回归模型的条件模估计量,并开发了其渐近分布理论。同时构建了分析和子采样法置信区间,并通过蒙特卡洛模拟评估了估计量和置信区间的有限样本性能。最后,将该估计量运用于预测联合循环发电厂数据的净小时电能输出。
Nov, 2018
本文从统计学习的角度系统地研究了非参数模态回归问题。我们发现,MCCR(基于最大相关性准则的回归)在极小尺度参数下本质上是模态回归。作者提出了一种分析和实现模态回归的框架,包括模态回归函数的描述、模态回归风险的明确定义以及提出的代理模态回归风险等。理论和实证结果表明,模态回归在稳健性方面具有优越性,并且在计算实现中具有实用性。
Feb, 2017
本研究提出了一种基于核估计器和简捷组成样条的方法,通过贝叶斯推理范式实现特征探索、模型选择和模态测试,从而提高概率密度函数的预测精度与模型解释性,在体育分析等领域得到展示,并得到了充分的模拟实验验证。
Jul, 2023
本研究提出了一种基于贝叶斯分布回归模型的神经网络方法,旨在解决现有监督学习方法中对于群体标签的估计存在不确定性的问题,实现了群体大小变化时模型的可靠性和性能的提高,并在玩具数据集和图像预测年龄的挑战性问题上进行验证。
May, 2017
介绍了一种基于机器学习的方法,通过非线性条件异方差回归和改进的重要性采样方法估计后验概率密度,相较于现有方法在统计遗传学和排队模型等领域计算负担减轻了不少。
Sep, 2008
该研究论文开发了一种鲁棒贝叶斯建模的通用方法,能够保护数据不受离群值或其他偏差的影响,并且探讨了该方法在多个模型中的应用,包括线性回归,泊松回归,逻辑回归和概率主题模型。
Oct, 2015
基于鲁棒分位数回归和深度学习的方法,在关键特征异常值存在的情况下,提出了用于估计不确定性的方法,并在医学成像翻译任务中展示了其适用性。
Sep, 2023
该论文提出了一种基于证据学习的深度贝叶斯分位回归模型,能够在没有高斯分布假设的情况下估计连续目标分布的分位数,同时捕捉不确定性和提高模型的可计算性和可扩展性。
Aug, 2023