IJCAIOct, 2020

应用于多物种丰度估计的深度障碍网络零膨胀多目标回归

PDF
TL;DR本文提出了一种深度模型来解决计算可持续性中的物种分布问题，其中有大量的零填充数据，并且需要同时对数百个物种进行建模，该模型被称为 “零膨胀多目标回归问题”。通过将整个模型作为端到端的学习框架，我们提供了一种有效的学习算法，并在两个实际物种分布的数据集上展示了该模型比现有的最先进基线模型表现更好，其核心是将多响应变量的联合分布建模为多元 Probit 模型。
computational sustainabilityspecies distributionzero-inflated multi-target regressiondeep learningend-to-end learning
发现论文，激发创造
  • 应对零膨胀数据：采用双重机器学习方法实现最优结果

    这篇论文介绍了机器学习模型在零膨胀数据环境中的应用，展示了在家用电器分类和机场班车需求预测两个实际应用中，采用层次模型在预测性能和能效方面取得的优异结果。

    Oct, 2023

  • 遥感应用中的非线性分布回归

    该论文介绍了一种解决分布回归问题的非线性方法，它考虑了再生核希尔伯特空间中的分布嵌入，并在其中执行标准的最小二乘回归。 该方法可用于不同维数和样本大小的多源数据，并通过随机傅里叶特征介绍了高效版本来处理数百万个数据点和组。

    Dec, 2020

  • 不平衡深度回归问题的不确定性投票专家混合模型

    该研究提出了一种适用于回归问题的新型混合专家方法，利用个体专家的预测不确定性作为融合的依据，实现对不平衡数据的有效学习。实验结果表明，该方法优于现有备选方案，同时产生更好的不确定性估计。

    May, 2023

  • 多目标深度学习预测森林参数：伪目标插补训练回归模型

    本文提出了一种半监督回归建模方法，通过利用建立于航空激光扫描数据和 C 波段合成孔径雷达的预测地图来生成有效的伪目标训练数据，解决了传统回归模型样本量不足的问题，并成功实现了在坦桑尼亚和挪威的不同地区和森林类型上进行地面生物量和树干体积的预测。

    Jun, 2023

  • 灵活异方差计数回归与深度双泊松网络

    神经网络可以准确地产生需要的、与输入相关的不确定性表示，这对现实世界的应用至关重要。最近在异方差连续回归方面取得的进展显示了在复杂任务（如图像回归）上进行校准的不确定性量化的巨大潜力。然而，当将这些方法应用于离散回归任务（如人群计数、评级预测或库存估计）时，它们往往会产生具有许多病态的预测分布。我们提出通过训练神经网络输出双泊松分布的参数来解决这些问题，我们将其称为深度双泊松网络（DDPN）。与现有方法不同，它们是经过训练以最小化高斯负对数似然（NLL）的，DDPNs 会生成离散输出上的正确概率质量函数。此外，DDPNs 自然地对低、高和等离散度建模，而不像使用更严格的泊松和负二项参数化进行训练的网络。我们展示了 DDPNs：1）远远优于现有的离散模型；2）实现或超过使用高斯 NLL 进行训练的网络的准确性和灵活性；3）产生适当的离散计数的预测分布；4）具有优秀的超出分布检测能力。DDPNs 可以轻松应用于各种计数回归数据集，包括表格、图像、点云和文本数据。

    Jun, 2024

  • 利用时空 Tweedie 模型进行 0 膨胀和长尾旅行需求预测的不确定性量化

    介绍了一种名为空间 - 时间 Tweedie 图神经网络（STTD）的新方法，该方法应用 Tweedie 分布来参数化旅行需求分布，结合空间和时间嵌入来解决高分辨率 O-D 矩阵中的稀疏性和长尾特征，并有效提高了预测的精度和置信区间的准确性。

    Jun, 2023

  • 随机线性目标组合多目标回归

    本文介绍了一种用于多目标回归的集成方法，通过现有目标的随机线性组合构建新的目标变量，并与 RAkEL 和一系列最新的多标签分类算法进行比较。在 12 个多目标数据集上的实验证明，该方法表现显著优于单一模型方法和随机森林方法。

    Apr, 2014

  • 基于分位损失函数的高维分布式回归

    本文研究了具有重尾噪声的高维线性回归模型的分布式估计和支持恢复，并采用分位数回归损失函数来处理噪声。我们提出了一种计算和通信效率高的分布式估计器，理论上表明该方法在少数迭代后即能达到近乎理想的收敛速度，并且还为支持恢复提供了理论保证。

    Jun, 2019

  • 具有潜在噪声的多输出回归

    通过使用潜在变量模型，利用噪声信息来增强有用信号的建模，并通过引入超参数和有序无限维收缩先验来提高建模精度。

    Oct, 2014

  • 面向计数数据的专业深度神经网络与高基数分类特征

    提出一种新的层级似然学习框架，将伽马随机效应引入 Poisson 深度神经网络，以捕捉输入变量的非线性效应和主题特定的聚类效应，从而提高预测性能。该方法通过优化单一目标函数同时获得固定参数的最大似然估计值和随机效应的最佳无偏预测器，为处理包含高基数分类特征的聚类计数数据提供了一个快速端到端算法。并且，可以很容易地将最新的网络架构实施到提出的 h - 似然框架中，例如多头注意力层和稀疏最大函数，用于在高维环境中进行特征选择。为了提高实际性能和学习效率，还通过调整过程来预测随机参数，并使用矩量法估计方差分量进行预训练。各种实验研究和真实数据分析证实了我们提出方法的优势。

    Oct, 2023