Nov, 2024

动态原型概率密度估计的合规高密度分位回归

HTML
PDF
TL;DR该研究针对传统分位回归方法在处理异方差、多模态或偏斜数据时所面临的量化误差和维数诅咒问题，提出了一种新的合规高密度分位回归方法。该方法通过动态调整原型集，优化量化过程，确保在高概率密度区域提供有效的覆盖保障，实验结果显示其在预测质量、覆盖范围和鲁棒性上优于现有方法，且在高维数据中表现出更好的可扩展性。
发现论文，激发创造
  • 分布偏移下的自适应符合推断

    本文提出了一种自适应的线上学习方法 - 自适应符合推断方法，该方法结合了预测集和符合推断的思想，能够在任何黑箱模型中实现长时间内预期的覆盖概率，从而解决了数据变化扰动的问题。

    Jun, 2021

  • 通过正交分位数回归改善条件覆盖率

    我们开发了一种在特征空间的所有区域具有用户指定的覆盖水平的预测区间生成方法，称为条件覆盖。我们发现传统的分位数回归可能具有较差的条件覆盖，并通过修改损失函数来解决这个问题，从而提高了实验室中的条件覆盖。

    Jun, 2021

  • 柿泥化的无条件分位数回归

    本研究提出了将CP与QR结合的预测推理程序，通过对输入协变量作回归来实现对分位函数的预测，借此推出具有本地经验保证的自适应预测间隔，并且证明了与现有方法相比具有相似的效率。

    Apr, 2023

  • 使用符合量化回归优化超参数

    本文提出了一种利用基于置信度的分位数回归的超参数优化算法，相较于传统高斯过程模型，它能够更加真实和鲁棒地建模目标函数，加速超参数优化过程，并在多保真度场景下比传统方法表现更好。

    May, 2023

  • 缺失值下的符合预测

    本文研究缺失值为特征的预测问题，提出了基于缺失数据增广的广义预测方法，可以有效地提高预测效果和抵抗缺失值的影响。

    Jun, 2023

  • 快速自适应预测区间的回归树

    提供一种新的方法，用于校准具有局部覆盖保证的回归问题的预测区间，该方法基于训练回归树和随机森林的合规得分创建最粗糙的特征空间划分，适用于各种合规得分和预测设置，且在模拟和实际数据集中表现出比现有基准更优的可扩展性和性能。

    Feb, 2024

  • 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

  • 有条件有效的概率拟合预测

    我们开发了一种新方法来创建预测集，它结合了符合性方法的灵活性和条件分布P（Y | X）的估计。我们的方法扩展了现有方法，实现了条件覆盖，这对许多实际应用至关重要。我们提供了非渐近界限，明确依赖于对条件分布的可用估计的质量，使得我们的置信集在数据的局部结构上高度自适应，特别适用于高异方差情况。通过广泛的模拟，我们证明了我们的方法的有效性，显示其在条件覆盖和统计推断的可靠性方面优于现有方法，在各种应用中提高了统计推断的可靠性。

    Jul, 2024

  • fastkqr：一种快速的核分位数回归算法

    本研究解决了核分位数回归计算需求高的问题，提出了一种名为fastkqr的新算法，该算法采用有限平滑技术生成精确的回归分位数。研究表明，fastkqr在准确性上与最先进的算法相当，但计算速度快了一个数量级，极大推动了核分位数回归的应用。

    Aug, 2024

  • 高维分位数预测的稀疏PAC-贝叶斯方法

    本研究解决了在高维环境中分位数回归面临的挑战，尤其是当协变量数量超过样本量时。提出了一种新颖的伪贝叶斯框架，结合缩放的学生-t先验和Langevin蒙特卡洛方法，有效地进行高维分位数预测。研究表明，该方法在非渐近优化预测误差和适应未知稀疏性方面具有较强的理论保证，并在模拟和实际数据中表现出竞争力。

    Sep, 2024