Aug, 2023

QUANT: 时间序列分类的极简区间方法

PDF
TL;DR使用一个特征类型（分位数），固定区间和现成分类器，我们展示了在标准基准数据集上可以实现与现有时间序列分类间隔方法相同的平均准确度。这种间隔方法的提炼在 UCR 档案的 142 个数据集上取得了最先进的准确度，并且只需不到 15 分钟的总计算时间（训练和推理）使用单个 CPU 核心。
发现论文，激发创造
  • 应用于 A/B 测试和最佳臂识别的分位数序列估计

    该研究论文提出了一种置信度序列方法，可用于跟踪任何完全排序集合上的分布分位数，同时提供了新的经验分布函数的集中不等式，并在多臂老虎机框架中提供了选择玩家的新算法和样本复杂度边界。

    Jun, 2019

  • 放松的分位数回归：非对称噪声的预测区间

    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

  • 使用隐式分位数网络的概率时间序列预测

    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

  • 利用点预测器增强预测区间的可靠性：异方差分位回归和宽度自适应符合推论

    通过提出 HQR 模型和 WACI 方法，我们在电力价格预测等复杂时间序列预测场景中评估预测间隔的有效性、效率以及关键特征的满足，克服了仅依靠点预测器构建预测间隔的复杂挑战。

    Jun, 2024

  • 连续扫描：一种改进的二进制量化器

    通过引入连续扫描（Continuous Sweep）这种新的参数二值量化器来估计数据集的类别普遍性，其使用了参数类分布替代经验分布，优化了决策边界和采用了平均值，同时通过理论推导得到了偏差和方差的解析表达式。模拟研究结果表明，连续扫描在广泛的情况下优于中位数扫描（Median Sweep） 。

    Aug, 2023

  • 深度网络自适应、无分布预测区间

    提出了一种基于统计方法的神经网络预测间隔构造方法，旨在解决其他相关研究的局限性，提供更为准确的预测区间并保证预测精度，该方法易于实施且适用于大多数深度神经网络。

    May, 2019

  • 深度学习的高质量预测区间：一种无分布、集成方法

    本论文研究使用神经网络生成预测区间 (PIs) 以量化回归任务中的不确定性。通过导出一个无需分布假设的损失函数，该方法能够生成高质量的 PIs，并通过集成学习考虑了模型不确定性，实验结果表明该方法优于目前最先进的不确定性量化方法，平均 PI 宽度减少了 10% 以上。

    Feb, 2018

  • 大规模应用的分位数回归

    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

  • 计算预测区间的方法：综述与新结果

    本文基于参数框架回顾了预测区间的两种主要方法：基于影响量的方法和基于预测分布的方法，并提供了多个例子和模拟研究，同时还探讨了离散数据的预测区间方法和依赖数据的预测区间方法，例如时间序列、空间数据和马尔科夫随机场。

    Nov, 2020

  • 多元损失函数的文本量化器优化

    本研究旨在探讨采用结构化预测的有监督学习模型解决量化问题，通过在 5500 个二进制高维数据集上实验，证明该方法比现有的量化方法更准确、更稳定、更高效。

    Feb, 2015