深层 Huber 分位回归网络

Jun, 2023

Deep Huber quantile regression networks

Hristos Tyralis, Georgia Papacharalampous, Nilay Dogulu, Kwok P. Chun

TL;DRDHQRN 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。

Abstract

Typical machine learning regression applications aim to report the mean or the median of the predictive probability distribution, via training with a squared or an absolute error scoring function. The importance

machine learning quantile regression deep learning predictive probability distribution huber quantiles

发现论文，激发创造

在异常值存在的情况下，使用 Beta 分位回归进行鲁棒估计不确定性

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

通过偏导数实现深层非交叉分位数

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

一种具有解释性参数调整的鲁棒分位数 Huber 损失在分布式强化学习中的应用

通过广义分位数 Huber 损失函数从高斯分布之间的 Wasserstein 距离计算出噪声，本文提出了一种广义的分位数 Huber 损失函数，主要用于在分布性强化学习中估计回报分布。与经典分位数 Huber 损失相比，该创新损失函数增强了对异常值的鲁棒性，且经过实证测试验证了其在 Atari 游戏和最新对冲策略中应用于分布性强化学习的效果以及在参数调整中的潜力。

Jan, 2024

高效探索的非降分位函数网络在分布式强化学习中的应用

本文主要介绍了关于分布式强化学习 (DRL) 中，如何保证量化函数的有效性和高效利用分布信息的两个问题。在此基础上，提出了非降量化函数网络 (NDQFN) 保证得到的量化估计的单调性，并设计了一种名为分布预测误差 (DPE) 的通用探索框架，利用该框架整个量化函数的分布。通过对 Atari 2600 Games 等一些难度较大的游戏进行性能分析和对比，论证了所提方法的理论必要性和实际性能提高。

May, 2021

深层证据学习用于贝叶斯分位数回归

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

深度生成分位数 - 统合模型用于概率预测

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

超越期望：用于时空问题的深度联合均值和分位数回归

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

卫星降水的空间插值中的不确定性估计与集成学习

在空间插值和其他领域中，通过使用九种基于分位数的集成学习方法，将距离加权卫星降水数据与位置高程相结合，通过对比量化打分函数，证明了堆叠方法在提高概率预测方面的潜力。

Mar, 2024

使用双 Expectile-Quantile 回归的分布强化学习

本篇论文提出了一种将 expectiles 和 quantiles 相结合的方法，用于表示回报的分布，该方法充分利用了它们在估计分布方面的独特性质，相较于先前的基于 quantile 或 expectile 的算法在 MuJoCo continuous control benchmark 上表现更好。

May, 2023

使用深层 ReLU 网络对低维流形上的非参数回归进行函数逼近和统计恢复

本文研究了在低维多條件上 H"{o} lder 函数的非参数回归问题，并使用深层 ReLU 网络实现，研究结果表明深层 ReLU 网络具有适应低维几何结构的能力，可快速收敛于数据固有维度，进而解决高维数据的低维几何结构问题。

Aug, 2019