- 通过更强的符号保持游戏改进校准的界限
在线校准预测二进制序列的基本问题的关键是应用推理,游戏理论和算法研究序列预测的校准性能,本研究通过引入新的游戏,加强和改进了现有算法,并提出了新的下界,从而改善以前的上界。
- ElicitationGPT:基于语言模型的文本引导机制
使用领域知识自由的查询机制,该论文利用大型语言模型(具体来说是 ChatGPT)对采集到的文本与真实文本进行评分,并通过实证评估其与人类偏好的一致性。该实证评估基于同行评阅数据集中的同行评阅,并与手动评分进行比较。
- 基于分布匹配的校准:可训练核校准度量
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 - 具有一致聚合的概率预测
通过使用卷积神经网络构建了一个新模型,利用因子模型结构生成一致的预测结果;在三个层次预测数据集上相比其他方法显著提高了 11.8% 至 41.4%;同时分析了基层分布和因子数量对模型参数的影响。
- ProbPNN: 基于统计信息增强深度概率预测
本文介绍了一种使用统计方法和神经网络相结合的深度学习方法来改进具有日历驱动周期性的时间序列数据的概率预测准确性的方法,并在两个数据集上进行了统计检验,结果表明该方法比其他深度学习预测方法具有更好的预测性能和较小的计算成本。
- 概率能源预测的去噪扩散概率模型
本文提出了基于去噪扩散概率模型的深度学习生成方法,首次应用于利用全球能源预测竞赛 2014 的开放数据进行能源预测。结果表明,这种方法与其他最先进的深度学习生成模型竞争力相当。
- 深度预测因素
本研究提出了一种混合模型,将经典时间序列模型与基于深度神经网络的模型结合起来,通过全局深度组件实现可扩展性和数据驱动,同时通过本地经典模型处理不确定性。实验证明,该模型在数据效率、准确性和计算复杂性方面具有优势。
- 用于后处理集合天气预报的神经网络
本文提出了一种基于神经网络的灵活的天气预测统计后处理技术,可以自动学习非线性关系,显著优于传统后处理方法,并可以被扩展到其他统计后处理和预测问题。
- 使用打分规则评估概率预测
本文介绍了 R 包中基于适当的评分规则进行概率模型比较评估的功能,涵盖了应用工作中的各种情况,并且提供气象和经济方面的案例研究和相关文献的指向。
- 中长期概率电价预测
本文通过引入一种新的方法来模拟未来几个月至三年的逐小时分辨率下的电力价格,使我们能够提供概率预测,甚至在长期内检测价格剧烈波动的概率,从而解决当前长期电力价格预测困难的问题。