神经样条搜索用于分位数概率建模
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
本文通过支持向量机和非线性分位数回归结合非交叉约束的方法,进行了风能非参数概率预测的数值研究,并使用 Global Energy Forecasting Competition 2014 的公开数据进行了案例研究,结果表明该方法能够更准确地进行预测,避免交叉分位数预测的问题。
Mar, 2018
本文提出了一种新的神经过程成员 Conditional Quantile Neural Processes(CQNPs),采用量化回归来对复杂的分布进行建模,通过学习估计有信息量的分位数来增强抽样效率和预测准确性,并在实验数据集上与基线算法进行比较,展示了预测性能的显着提高。
May, 2023
本文介绍基于单调分段函数有理二次样条的神经模型流,在保持解析可逆性的同时提高了耦合和自回归变换的灵活性,并展示了神经样条流在密度估计、变分推断和图像生成建模中的相对表现优良。
Jun, 2019
本文介绍了一种概率时间序列预测的一般方法,通过结合自回归循环神经网络和隐含量子网络来建模时间动态并学习一系列时间序列预测模型,在真实数据和模拟数据上得出的结果表明,该方法在预测准确性和估计潜在时间分布方面具有优势。
Jul, 2021
我们提出了基于神经量位估计(NQE)的一种新型基于模拟的推断(SBI)方法,它基于条件分位数回归。NQE 通过对数据和先前后验维度进行条件分位数自回归学习,为每个后验维度单独学习一维分位数。使用单调立方 Hermite 样条通过插值预测的分位数,获得后验样本,对尾部行为和多峰分布有特别处理。我们引入了基于局部累积密度函数(CDF)的贝叶斯置信区间的替代定义,相对于传统的最高后验密度区域(HPDR)提供了大大更快的评估速度。在受限的模拟预算和 / 或已知的模型误设情况下,可以将后处理扩大步骤集成到 NQE 中,以确保后验估计的无偏性,并且附加的计算成本可以忽略不计。我们证明了所提出的 NQE 方法在各种基准问题上实现了最先进的性能。
Jan, 2024
本文研究基于空间深度和分位数的非参数回归方法,应用于响应变量和协变量都是函数的场景,以分析功能响应的不同部分受函数协变量影响的程度,探测功能回归中的异方差性,并通过两组数据集分析了人均 GDP 对 125 个国家的储蓄率的影响以及人均可支配收入对美国部分州香烟销售的影响。
Jul, 2016
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
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