Oct, 2019

灵活的无分布条件预测区间估计 —— 基于密度估计器

PDF
TL;DR本文介绍了两种基于条件密度估计器的协变方法，它们不依赖于有关于目标变量和特征之间依赖关系的强假设，以获得渐近条件覆盖方法：Dist-split 和 CD-split。在广泛的模拟场景中，我们的方法具有更好的条件覆盖控制和比以前提出的方法更小的长度。
发现论文，激发创造
  • CD-split 和 HPD-split：高维度有效的共形区域分割

    本研究探讨 CD-split 当中的调整参数以及其理论性质，最终通过介绍一种新的 CD-split 变体 HPD-split，实现更好的条件覆盖以及更小的预测区间。

    Jul, 2020

  • 无分布条件下的回归预测推断

    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

  • 无分布条件预测推断的局限性

    本文考虑面向分布无关的预测推断问题，目标是生成有条件而非边缘的预测覆盖保证。我们旨在探索边缘覆盖保证的实际问题，并研究一些能够缓解一些实际关注的条件覆盖性质松弛类型，同时仍能在分布无关的环境下实现。

    Mar, 2019

  • 异方差整体回归

    本文研究了如何使用规范预测方法构建自适应预测区间，通过使用归一化和蒙德里安规范预测等方法，在理论和实验结果中进行系统性调查。

    Sep, 2023

  • 使用条件直方图的等形预测

    本文开发了一种符合性方法，用于计算自适应于倾斜数据的非参数回归预测区间，利用黑盒机器学习算法用直方图估计结果的条件分布，将它们转化为具有近似条件覆盖的最短预测区间，数值实验表明，与最先进的相关方法相比，这些结果在有限样本情况下可以得到较好的表现，并且如果黑盒模型一致，则渐近达到条件覆盖和最优长度。

    May, 2021

  • 有条件有效的概率拟合预测

    我们开发了一种新方法来创建预测集，它结合了符合性方法的灵活性和条件分布 P（Y | X）的估计。我们的方法扩展了现有方法，实现了条件覆盖，这对许多实际应用至关重要。我们提供了非渐近界限，明确依赖于对条件分布的可用估计的质量，使得我们的置信集在数据的局部结构上高度自适应，特别适用于高异方差情况。通过广泛的模拟，我们证明了我们的方法的有效性，显示其在条件覆盖和统计推断的可靠性方面优于现有方法，在各种应用中提高了统计推断的可靠性。

    Jul, 2024

  • 一种基于拟合预测的函数数据探索方法

    本文使用符合预测技术计算功能数据的同时预测带和聚类树。我们使用多个新颖的一致性分数来简化计算，并且在不假设任何分布的情况下，为基础随机过程提供了预测集，并提供信息指向潜在进程的高密度区域。

    Feb, 2013

  • 快速非参数条件密度估计

    通过建立 full density 模型 f (yjx) 而非只有期望值 E (yjx)，条件密度估计广义了回归。本文提出了双核条件密度估计器，并引入了基于双数树的快速算法，用最大似然准则进行带宽选择，从而在处理多变量数据集时取得 380 万倍的加速。

    Jun, 2012

  • 快速自适应预测区间的回归树

    提供一种新的方法，用于校准具有局部覆盖保证的回归问题的预测区间，该方法基于训练回归树和随机森林的合规得分创建最粗糙的特征空间划分，适用于各种合规得分和预测设置，且在模拟和实际数据集中表现出比现有基准更优的可扩展性和性能。

    Feb, 2024

  • 分布式适应性预测

    本研究提出了一种基于条件分布模型（如分位数和分布回归）构建有条件有效的预测区间的健壮方法，可以应用于横截面预测、k 步预测、合成控制和反事实预测、个体治疗效果预测等重要预测问题。

    Sep, 2019