May, 2023

使用神经网络进行广义极值分布的快速参数估计

PDF
TL;DR本文提出了一种基于神经网络的似然函数 - free 方法来估计广义极值分布，以解决传统极大似然估计方法在大规模数据集上的计算瓶颈，并通过仿真和气候数据应用实验证明了其在精度与速度之间达到了一个平衡。
generalized extreme-value distributionneural networkparameter estimationcomputationally efficientparametric bootstrapping
发现论文，激发创造
  • 基于 GAN 的实时超可靠通信中的 EVT 模型参数估计

    首次将极值理论和生成对抗网络相结合，以实现实时的准确信道建模，通过模拟实验表明，该方法在样本量有限的情况下优于最大似然估计。

    Jan, 2024

  • 时间序列数据中极端事件预测的广义混合模型

    这篇研究论文提出了一种基于深度学习和极值理论的预测框架，通过混合分布模型和自动编码器生成器提取时间序列数据的特征，并预测极端事件的分布模型，证明了该方法在多个实际降雨数据集上的有效性。

    Oct, 2023

  • Sparse-GEV: 多元极值时间系列建模的稀疏潜变量模型

    本研究提出了 Sparse-GEV 模型，即基于极端值建模的潜在状态模型，以自动学习稀疏的时间依赖性并进行预测。该模型是学习多元极值时间序列稀疏时间依赖性的第一批模型之一。实验结果表明，我们的算法在一个模拟数据集，一个气候数据集和两个 Twitter 数据集上比最先进的方法，包括 Granger 因果性，copula 方法和转移熵，表现更优越。

    Jun, 2012

  • DeepExtrema: 时间序列数据中预测块极值的深度学习方法

    DeepExtrema 是一种将深度神经网络和广义极值分布相结合的新型框架，能够精确预测时间序列的极端值，并在真实和合成数据上得到了比其他基线方法更优异的结果。

    May, 2022

  • 一种应用 VAE 的多元极值抽样方法

    基于变分自编码器的方法来采样多元重尾分布，进而得到准确极值，此方法在洪水灾害风险评估方面具有潜在应用价值，不仅在测试数据中的性能比标准变分自编码器好，还比竞争的极值理论方法更好地学习了极端事件之间的依赖关系。

    Jun, 2023

  • 极值理论概率分布聚类

    本文基于极值理论的广义帕累托分布，提出了一种新的聚类算法 GPD k-means，它模型化了聚类的距离分布，并用概率模型描述了每个类别。实验证明，在合成数据集和真实数据集上，GPD k-means 优于传统聚类算法。

    Feb, 2022

  • ExGAN：极端样本的对抗生成

    本研究提出了一种名为 ExGAN 的 GAN 方法，基于极值理论（EVT）来识别和生成真实和极端的训练样本，有效地帮助风险管理。该方法在测试中表现良好，可以用较短时间内生成所需要的多种极端事件模型。

    Sep, 2020

  • 将深度生成模型与极值理论相结合的合成危害模拟：一种多元且空间协调的方法

    气候风险和复合灾害的分布对于了解气候风险和指导适应政策至关重要。本研究使用生成对抗网络（GANs）模拟了孟加拉湾的极值风速、显著波高和总降水量，结合传统的极值理论进行尾部推断，为气候风险评估和灾害应对提供了有效的方法。

    Nov, 2023

  • 基于 Transformer 的生成模型的极端降水预报

    本研究提出了一种创新的极端降水预报方法，采用基于 Transformer 的生成模型，即应用了 “现在预测 - GPT 与极值损失（EVL）正则化” 的方法。利用来自荷兰皇家气象研究所（KNMI）的全面数据集，我们的研究专注于高准确性的预测短期降水。我们介绍了一种新的计算 EVL 的方法，避免了假设固定极端情况的限制，解决了当前模型在捕捉极端天气事件方面的局限性。我们进行了定性和定量分析，展示了所提出的 “现在预测 - GPT-EVL” 在生成准确降水预报方面的卓越性能，特别是在处理极端降水事件时。代码可在 https://github.com/Cmeo97/NowcastingGPT 找到。

    Mar, 2024

  • 最大似然估计的潜变量结构方程模型：一种神经网络方法

    我们提出了一种在线性和高斯假设下对结构方程模型稳定的图形结构，证明了计算这个模型的最大似然估计等价于训练一个神经网络，并实现了基于 GPU 的算法来计算这些模型的最大似然估计。

    Sep, 2023