无分布自由分布回归
该论文介绍了一个重新采样框架,用于构建精确、无分布偏差且非渐近保证的真实回归函数置信区间,以适应用户选择的信赖水平,并提出了具体算法以演示该框架。通过数值实验验证了算法,并将其与近似渐近保证的置信椭球进行比较。
Aug, 2023
DistPred 是一种用于回归和预测任务的新方法,通过使用可微分的离散形式的得分规则,可以在单次前向传递中生成大量样本来估计响应变量的潜在分布,并具有比现有方法更简单且更强大的性能和 90 倍的推理速度。
Jun, 2024
本文提出了基于顺应性推断的无分布预测推断的一般框架,并通过分析和比较其两个主要变体:完整顺应性推断和分裂顺应性推断以及相关的 jackknife 法,作出了在统计准确度和计算效率之间的不同权衡。与此同时,本文还发展了一种构建有效样本内预测间隔的方法,称为 “排名为一” 的顺应性推断。本文提出的所有提案的实施都可以使用 R 包 “conformalInference” 进行。
Apr, 2016
研究对于在测试和训练分布不同时的结构因果模型中预测响应变量和协变量之间关系的问题,提出了基于因果回归模型和最小化最坏风险的方法,并且介绍了一个配合数据实现最小化风险的框架和方法 NILE。
Jun, 2020
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
本文研究了分布回归问题,提出了一种基于再生核希尔伯特空间的简单分析计算的岭回归方法,证明了该方法在两阶段抽样设置下是一致的,并且该估算器能够达到一阶段最小化最优速率。
Nov, 2014
本文介绍了一种新的分布校准方法,并提出了采用多输出高斯过程和 Beta 链接函数的方法来改善先前训练的回归模型的预测的后验方法。该方法得到了实验验证,并在分布层和分位数层面上均有所提高。
May, 2019
基于回归方法,我们开发了建模和推断计数事实分布的工具,并构建了置信区间用于检验计数事实的功能假设,应用到美国数据的实证分析中,同时引入了分布回归作为建模方法,这个方法不仅全面灵活,而且对于建立稳健分布回归进程及各种相关的功能,我们建立了中心极限定理和引导验效果。
Apr, 2009