多输出集成用于多步预测
该论文提出了一种使用 Adaptive Robust Optimization 构建具有适应性权重的线性回归集成的新方法,以提高时间序列预测模型的准确性和鲁棒性,并演示了其在空气污染管理,能源消耗预测以及热带气旋强度预测等实际应用中优于其他竞争性集成技术的性能。
Apr, 2023
本文通过对现有的多步预测策略的理论和实践表现进行综合比较,揭示了多输出的策略、季节性消除以及输入变量选择对于提高多步预测准确性的重要性。
Aug, 2011
本研究探讨了使用集合模型来生成随机输出的训练方法,证明了通过明确鼓励模型成员产生高模型间方差预测的训练准则,能够显著提高集合模型的不确定性量化能力。
Mar, 2024
本文研究了将 Deep Ensembles 方法扩展到与不确定性评估相关的任务,提出了一种在接近二元决策边界的窗口内传递样本以实现早期退出的新方法,并发现级联 / 集成模型在 OOD 数据上比模型扩展更可靠。
Mar, 2023
通过将模型集成和精简技术相结合,本研究提出了一种改善受限计算预算下动作预测系统的方法,实验证明模型集成并将其精简成小型学生模型,能够以较低的计算成本保持高性能,从而提高对于具有限计算预算的机器人系统的预测模型精度。
Apr, 2024
多步预测在时间序列中,能够预测未来多个时间步长,是几乎所有时间领域的基础。本文通过表征最优预测策略的实例级方差,并提出了适用于多步预测的动态策略 (DyStrat),在使用基于随机森林的分类器时,DyStrat 相较于最佳的固定策略有着 94% 的时间上优势,并且均方误差平均降低了 11%。我们的方法通常比当前方法的前 1 准确率提高三倍,并且表明 DyStrat 对于任何多步预测任务具有很好的泛化能力。
Feb, 2024
我们提出一种使用基于注意力的集成汇聚模型学习权重的方法来减少时间序列预测中模型偏差的常见技术,并在两个时间序列预测问题上进行测试,发现在预测非平稳的 Lorenz '63 方程时,我们的模型具有出色的有效时间,而在预测 COVID-19 的每周死亡事件时,与现有集成汇聚相比表现不一致。
Oct, 2023
本篇论文研究了如何将基于 Exponential-Smoothing-Recurrent Neural Network (ES-RNN) 的模型和 ensemble learning 技术相结合,相比于其他基于统计或机器学习的 ensemble 方法,Feature-based Forecast Model Averaging (FFORMA) 对于 late data fusion 的情况表现最好,而另一种 ensemble 方法 Stacking 被证明能够很好地处理所有基本模型性能相似的情况。与 N-BEATS 作为基准相比,实验结果表明,该方法在预测效果上超越了 N-BEATS 作为基准的方法。研究表明模型平均是比模型选择和堆叠策略更稳健的集成方法。此外,实验结果显示梯度提升在实现 ensemble learning 策略时是优越的。
Mar, 2022