本文提出了一种基于深度神经网络单模型的 aleatoric 和 epistemic 不确定性估计方法,分别为 Simultaneous Quantile Regression(SQR)和 Orthonormal Certificates(OCs),这些方法无需集成或重新训练深层模型就能达到竞争性能。
Nov, 2018
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
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
本文提出了新的分位数方法,可以适用于任何回归模型,并允许在校准和锐度之间进行权衡,优化中心区间的校准度,并产生更准确的条件分位数。
Nov, 2020
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
本研究提出了一种双支持向量分位回归(TSVQR)方法,利用分位参数有效地描绘了现代数据中关于各部分数据点的异质分布信息,并构建了两个小型二次规划问题(QPPs)来生成两个非平行平面,从而测量每个分位水平下下限和上限之间的分布不对称性
May, 2023
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
提出一种随机算法来处理大规模数据量的分位数回归问题,该算法在近线性时间内计算给定分位数回归问题的(1+ϵ)近似解,并计算量子回归损失函数的低失真子空间保持嵌入。
May, 2013
本文探讨了深度学习中的不确定性矫正问题,提出并验证了在非参数回归任务中使用稀疏深度 ReLU 结构进行贝叶斯推断的理论模型,强调了其在统计推断方面的优势。
Feb, 2020