空间环境下预测方法的一致验证
本文提出了一种建立在鲁棒性预测推断上的不确定性估计模型,使用 conformal inference 方法建立了准确覆盖测试数据分布的预测集,通过估计数据漂移量建立了鲁棒性,并在多个基准数据集上进行了实验证明了该方法的重要性。
Aug, 2020
通过对地理空间机器学习预测结果和样本数据之间的差异度进行量化,在 0 到 100% 的区间内,基于对抗验证的方法可以准确度量差异度。此方法在合成和真实的数据集上测试,并逐渐增加差异度来研究其效果和普适性。测试结果表明该方法可以成功地量化整个数值范围内的差异度,并揭示出在地理空间机器学习预测中考虑特征空间差异度的重要性,以便选择更适合的交叉验证方法进行预测评估。
Apr, 2024
本文证明了在生态数据的空间预测中,除了空间验证之外,空间变量选择也必须考虑,以产生可靠的预测结果。使用 “随机森林” 机器学习算法,作者通过两个案例研究了非空间和空间交叉验证策略,并发现高度自相关的预测变量可能导致过拟合,从而产生错误的空间预测模式。
Aug, 2019
通过使用专家混合技术和计算机视觉领域的先进数据增强技术,结合对预测不确定性的稳健后期校准,我们可以在表格数据的深度神经网络中实现比提升树模型更准确和更好校准的结果,从而改进领域外天气预测和不确定性估计。
Jan, 2024
在安全关键应用的不确定性量化和决策中,概率模型的校准至关重要,在存在最小协变量转移时,针对校准的问题已受到广泛研究,我们提出了一种基于重要性采样的方法来解决这个问题,并在真实数据集和合成数据集上评估和讨论了我们的方法的有效性。
Jun, 2020
本文提出了一种算法,用于校准模型预测并考虑协变量转移的情况,采用重要性加权法纠正训练分布与实际分布的差异,并通过领域适应的方法实现两个分布尽可能一致, 实证结果表明,该方法在存在协变量转移时优于现有的校准方法。
Feb, 2020
通过两种预测方法(储水层计算和向量自回归模型)研究了远程地点的气候要素的低成本和准确预测,发现预测精度随观测地点与目标地点之间的距离降低而下降,机器学习方法可以更有效地预测远程地点的气候要素。
Jun, 2024
以大量分类问题为基础,对现有现代机器学习方法中不同的贝叶斯和非贝叶斯概率量化预测不确定性的方法进行了评估,发现一些基于模型边缘化的方法在广泛的任务领域内表现出令人惊讶的强大效果。
Jun, 2019
本文提出拓展 Conformal Prediction 方法,可计算在测试和训练协变量分布不同的情况下的无分布预测区间,同时在数据满足一定加权交换性的情况下,拓展还可以应用于其他设置,如潜在变量和缺失数据问题。
Apr, 2019