超越期望：用于时空问题的深度联合均值和分位数回归

Aug, 2018

超越期望：用于时空问题的深度联合均值和分位数回归

Beyond expectation: Deep joint mean and quantile regression for spatio-temporal problems

Filipe Rodrigues, Francisco C. Pereira

TL;DR在此研究中，我们提出了一种多输出多分位深度学习方法，旨在联合建模几个条件分位数以及条件期望，以提供关于预测密度的更完整 “图像”，通过从多任务学习的视角来解决分位数交叉问题，并证明了通过联合建模均值和若干个条件分位数不仅能够捕获异方差特性，而且由于额外信息和添加分位数所引起的正规化效应，还能够提高条件期望的预测精度。

Abstract

Spatio-temporal problems are ubiquitous and of vital importance in many research fields. Despite the potential already demonstrated by deep learning methods in modeling spatio-temporal data, typical approaches te

spatio-temporal data deep learning multi-task learning quantile regression predictive density

发现论文，激发创造

深度生成分位数 - 统合模型用于概率预测

本研究介绍了一种新的多元条件生成模型，并展示了它在概率时间序列预测和模拟中的性能和多功能性。

Jul, 2019

通过偏导数实现深层非交叉分位数

本文提出一种基于深度学习的通用算法，用于预测任意数量的分位数，并确保分位数单调性约束，达到机器精度，并在实验中获得最先进的结果，同时证明其可扩展性适用于大规模数据集。

Jan, 2022

深层证据学习用于贝叶斯分位数回归

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

在异常值存在的情况下，使用 Beta 分位回归进行鲁棒估计不确定性

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

时空数据的深度学习不确定性量化：挑战与机遇

通过深度学习对时空数据进行不确定性量化，可以解决在高风险决策应用中出现的预测错误问题，并为未来的研究方向提供了潜在的机会。

Nov, 2023

深层 Huber 分位回归网络

DHQRN 是一种采用 Huber 分位数回归网络的 Deep Learning 算法，能够更全面地预测预测概率分布的数量级和不确定性，论文通过澳大利亚房价数据进行了验证。

Jun, 2023

深度方向统计学：带有不确定性量化的姿态估计

本文提出一种新颖的概率深度学习模型，通过使用 von Mises 分布预测物体位姿角度的分布，可用于不确定性量化，同时在不同质量的图像下也有较强的鲁棒性，经实验证明其具有竞争力的精度和预测能力。

May, 2018

使用双 Expectile-Quantile 回归的分布强化学习

本篇论文提出了一种将 expectiles 和 quantiles 相结合的方法，用于表示回报的分布，该方法充分利用了它们在估计分布方面的独特性质，相较于先前的基于 quantile 或 expectile 的算法在 MuJoCo continuous control benchmark 上表现更好。

May, 2023

多重收益曲线建模和预测的深度学习

通过结合自注意力机制和非参数分位回归，该论文介绍了能同时描述多个收益率曲线动态的深度学习模型，用于学习金融市场全球化导致的不同收益率曲线之间的依赖结构，并利用此结构产生更准确的预测。通过避免多个分位回归模型中的分位数交叉问题，我们的模型生成未来收益率的点估计和区间估计。在两个不同数据集上进行的数值实验证实了我们方法的有效性。最后，我们探讨了通过结合深度集成方法和迁移学习机制来扩展和增强的潜力。

Jan, 2024

卫星降水的空间插值中的不确定性估计与集成学习

在空间插值和其他领域中，通过使用九种基于分位数的集成学习方法，将距离加权卫星降水数据与位置高程相结合，通过对比量化打分函数，证明了堆叠方法在提高概率预测方面的潜力。

Mar, 2024