- 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。
- 用于一致回归的正规流
用标定的数据校准预测模型的不确定性,通过训练标定过程以实现区间的本地化,选择适当的距离度量代替标准预测误差,并通过训练来学习最优度量,从而充分应用于现有的局部适应性标定策略,适用于任何点预测模型。
- ICML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。
- SEMF: 监督的期望最大化框架用于预测区间
该研究介绍了监督期望最大化框架(SEMF),这是一个多功能且不涉及具体模型的框架,可以为具有完整或缺失数据的数据集生成预测区间。SEMF 将经典的无监督学习中使用的期望最大化(EM)算法扩展到监督环境中,实现了提取不确定性估计的潜在表示。该 - 时间序列模型的联合预测区域
应用机器学习算法构建预测区间是一个具有挑战性的问题,特别是在时间序列上。本研究实现了 Wolf 和 Wunderli 的方法来构建联合预测区间,并与其他方法进行比较。该方法基于自助法,并应用于不同的数据集和预测器。研究结果显示,强预测器(如 - 深度神经网络的可伸缩子采样推理
该研究论文介绍了深度神经网络的误差界限、基于可伸缩子抽样的估计器以及基于该估计器构建的置信区间和预测区间。这些方法在计算效率、点估计 / 预测准确性和实用的置信区间和预测区间等方面都具有很好的性能。
- 增强间隔型 - 2 模糊逻辑系统:精度和预测区间的学习
通过改进 Interval Type-2 Fuzzy Logic Systems (FLSs) 来提高高风险场景下的预测区间 (Prediction Intervals) 生成,包括增加 Karnik-Mendel (KM) 和 Nie-T - 利用 E - 检验统计量增强符合性预测
使用 e 检验统计量引入 BB 预测器来增强符合性预测的效果,从而生成可靠的预测区间。
- CAS:一种具有 FCR 控制的在线选择性符合预测的通用算法
我们研究了在线情况下的后选择预测推理问题。我们开发了一个名为 CAS(自适应选择后校准)的通用框架,可包装任何预测模型和在线选择规则,以输出后选择的预测区间。
- 多维时间序列的椭圆型集合条件预测
提出了一种名为 MultiDimSPCI 的顺序 CP 方法,其基于多元响应构建预测区域,特别适用于非可交换的多元时间序列,实验证明 MultiDimSPCI 在广泛的多元时间序列上保持有效覆盖,并产生比 CP 和非 CP 基线更小的预测区 - 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。
- 贝尔曼协同推理:时间序列预测区间校准
介绍 Bellman Conformal Inference(BCI)框架,它能够包装任何时间序列预测模型并提供校准的预测区间,通过解决一维随机控制问题(SCP)从而利用多步预测并显式地优化平均区间长度。我们证明了 BCI 在任意分布转变和 - 基于回归神经网络的可靠预测区间
该论文采用一种名为 Conformal Prediction (CP) 的新型机器学习框架,基于独立同分布的数据,提出了一种扩展传统回归神经网络的方法,将点预测转化为满足所需置信水平的预测区间。作者在四个基准数据集和预测电离层连接中的重要参 - 随机森林稳定性及随机森林预测区间覆盖率
我们证明了在 $Y^2$ 没有重尾的温和条件下,随机森林的稳定性,并使用这一性质证明了从随机森林的袋外误差构建的预测区间的非渐进覆盖概率的下界。我们还讨论了在比先前文献中考虑的条件更弱的假设下的渐近覆盖概率。我们的工作表明,随机森林具有稳定 - 高斯过程回归的保证覆盖预测区间
基于一种称为 Conformal Prediction 的机器学习框架的 GPR 扩展,可以在模型完全错误指定的情况下保证产生所需覆盖范围的 PI,实验结果表明其优于现有方法。
- 人工智能预测材料性质的不确定性量化方法的比较
机器学习在材料性能预测中是一个常用工具,本文研究了三种易于实施的方法来确定预测的不确定性,并比较了其在十种材料性质上的应用。
- WayHome: 动态缩放下的长期运动预测
自主车辆的一个关键挑战是准确预测周围环境中其他物体的运动,本研究开发了一种新颖的自主车辆运动预测方法,使用基于神经网络的模型为自主车辆附近的每个交通参与者预测多个热力图,并对比了不同编码器、解码器和损失函数,并引入了一种新的网格缩放技术,在 - ICML使用不确定性特征曲线评估预测区间
准确量化模型不确定性一直被认为是值得信赖的人工智能的基本要求。本文利用操作特性曲线的概念和相对空白参考的收益概念,提出了一种新的对预测区间进行评估的方法。通过定义不确定性特性曲线并展示其在选定场景中的效用,我们认为该方法能够满足目前对预测区 - 级联预测模块系统的置信度校准
提出了一种基于合规预测的新颖解决方案,通过利用模块级别的验证数据来表征系统级错误分布,为整个预测系统生成性能保证更准确的预测区间。与为各个模块进行标定的预测区间相比,我们的解决方案在合成系统和使用 Matterport3D 数据集进行室内导 - 异方差整体回归
本文研究了如何使用规范预测方法构建自适应预测区间,通过使用归一化和蒙德里安规范预测等方法,在理论和实验结果中进行系统性调查。