针对任意序列的校准概率预测
本文探讨贝叶斯方法在不确定性问题上的推理方法,提出一种简单有效的校准程序,可以保证在足够的数据下,任何回归算法都能够产生准确的校准不确定性估计,并应用于贝叶斯线性回归、前向和递归神经网络中,能够稳定输出准确的区间预测,并提高时间序列预测和基于模型的强化学习性能。
Jul, 2018
本文提出了预测对冲的概念来提高预测准确性,通过确定性和固定点法以及随机和极小化法来区分预测对冲工具,进一步给出了连续校准的改进定义和长期股票动态,提出了一种新的标定预测程序,适用于二元事件。
Oct, 2022
本文考虑了基于二元事件的预测评估问题,并明确表明单一评分规则不能保证对所有可能的代理人低后悔,但已校准的预测保证所有代理人罕见子线性后悔,并提出了一种新的度量标准U-校准来评估预测,该标准是当受到任何有界评分规则的评估时,预测序列的最大后悔。
Jun, 2023
校准方法的研究提出了基于核的校准评估指标,将校准问题视为分布匹配任务,用于分类和回归,通过优化实证风险最小化的校准目标,在决策任务中提供了直观机制来量化指标和做出准确的损失估计和无悔决策,实验结果表明在一系列分类和回归任务中,这些指标作为正则化项能够提高校准度、预测的准确性以及决策能力,超过仅仅依靠事后校准的方法。
Oct, 2023
机器学习关于预测,然而预测的有效性仅通过其评估得以体现。我们展示了校准和遗憾在评估预测中的概念等价性,并将评估问题构建为一个预测者、赌徒和自然之间的博弈。通过对赌徒和预测者施加直观限制,校准和遗憾自然而然地出现在这个框架中。此外,这个博弈将预测评估与结果的随机性联系起来。相对于预测而言,关于结果的随机性相当于关于结果的良好预测。我们将这两个方面,校准和遗憾,预测性和随机性,称为预测幸福的四个方面。
Jan, 2024
区分预测不确定性的来源对于在各个领域中应用预测模型至关重要。本研究提出了一个基于统计推理的通用框架,不仅可以创建新的不确定性度量,还可以澄清它们之间的关系。我们的方法利用统计风险区分了随机不确定性和认知不确定性,并利用适当的得分规则进行量化。为了使其在实践中可行,我们提出了将贝叶斯推理纳入该框架的思路,并讨论了该近似方法的性质。
Feb, 2024
我们提出了一个基于生成模型的动力系统概率预测框架,将预测问题描述为从当前状态给定的未来系统状态的条件分布中进行采样,并证明了该框架在复杂的高维预测问题上的实用性。
Mar, 2024
本研究针对高容量预测模型中校准不确定性估计的困难,开发了一种端到端框架以学习条件鲁棒优化的不确定性估计,并通过符合性预测提供鲁棒性和校准保证。该方法在能量存储套利和投资组合优化的具体应用中,表现出持续优于两阶段估计-再优化基线的方法。
Sep, 2024