Sep, 2023

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

PDF
TL;DR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。
quantile regressionaleatoric uncertaintydeep neural networksrobust solutionmedical imaging
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 深层 Huber 分位回归网络

    DHQRN 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。

    Jun, 2023

  • 从损失函数中分离分位数表示

    本文中，我们介绍了一种同时二元分位数回归（SBQR）的技术，可以独立于损失函数构建分位表示，对于检测越界样本和校准模型等问题具有优越性。

    Apr, 2023

  • 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

  • 深度学习中的单模型不确定性

    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

  • 基于分位损失函数的高维分布式回归

    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

  • 分位极值梯度提升用于不确定性量化

    本研究通过对 Extreme Gradient Boosting (XGBoost) 的改进，使用修正后的分位数回归作为目标函数以估计不确定性 (QXGBoost)，并将其应用于预测间隔的创建，并将其应用于一个模拟数据集和一个实际环境数据集中的测量交通噪声，结果表明该方法在预测间隔方面的整体性能要优于其他基于覆盖范围准则的模型。

    Apr, 2023