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
本文研究分布强化学习中的分位回归,证明 Cram´er 距离得到的投影与 1-Wasserstein 距离的投影相同,并提出了一种低复杂度算法来计算 Cram´er 距离,在非交叉限制下,squared Cram´er 和分位回归损失具有共线性,从而揭示了分布强化学习中相关要素之间的联系。
Oct, 2021
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。
Aug, 2018
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
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
运用最优输运理论和 $c$- 凹函数的思想,我们有意义地定义了高维空间流形上的条件向量分位函数(M-CVQFs),从而实现了流形上多元分布的分布自由估计、回归及条件置信集计算。通过初步的合成数据实验,展现该方法的功效和关于非欧几里德分位数的含义的一些见解。
Jul, 2023
本文提出了一种新的平滑损失及惩罚函数的神经网络方法,用于解决智能电力系统中风能等可再生能源的概率预测问题中遭遇的分位数交叉问题,实证研究结果表明该方法可以有效提高风力发电预测的准确性。
Sep, 2019
本文中,我们介绍了一种同时二元分位数回归(SBQR)的技术,可以独立于损失函数构建分位表示,对于检测越界样本和校准模型等问题具有优越性。
Apr, 2023
本文提出了排序复合分位数回归神经网络(SCQRNN),这是一种先进的量位数回归模型,旨在防止量位数交叉并提高计算效率。通过在训练中集成特定的排序,SCQRNN 确保不交叉的分位数,提升模型可靠性和解释性。我们证明,SCQRNN 不仅可以防止量位数交叉和降低计算复杂度,而且能够比传统模型更快地收敛。这一进展满足了可持续、准确计算的高性能计算要求。在有机计算中,SCQRNN 通过预测不确定性增强了自我感知系统,丰富了金融、气象、气候科学和工程等领域的应用。
May, 2024
在这项研究中,我们提出了一种名为放宽量位回归(RQR)的方法,作为量位回归的替代方法,以构建具有提升的可取特性(例如平均宽度)并保留量位回归的重要覆盖保证的区间。
Jun, 2024