- 基于传导型图自编码器的拟合装载预测
使用图神经网络 (GNN) 方法进行边权重预测,利用符合性预测调整 GNN 输出并生成有效的预测区间,通过误差重新加权和符合化的分位数回归 (CQR) 处理数据异方差性,与基线技术在真实世界的交通数据集上相比,我们的方法具有更好的覆盖率和效 - 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。
- 卫星降水的空间插值中的不确定性估计与集成学习
在空间插值和其他领域中,通过使用九种基于分位数的集成学习方法,将距离加权卫星降水数据与位置高程相结合,通过对比量化打分函数,证明了堆叠方法在提高概率预测方面的潜力。
- 苏格拉底的怀疑回声:在校准的证据强化学习中拥抱不确定性
我们提出了一种新颖的统计方法,用于在无模型分布式强化学习中纳入不确定性感知,它涉及基于分位回归的深度 Q 网络。该算法称为 CEQR-DQN(Calibrated Evidential Quantile Regression in Deep - 多重收益曲线建模和预测的深度学习
通过结合自注意力机制和非参数分位回归,该论文介绍了能同时描述多个收益率曲线动态的深度学习模型,用于学习金融市场全球化导致的不同收益率曲线之间的依赖结构,并利用此结构产生更准确的预测。通过避免多个分位回归模型中的分位数交叉问题,我们的模型生成 - 基于分位数回归的模拟推断
我们提出了基于神经量位估计(NQE)的一种新型基于模拟的推断(SBI)方法,它基于条件分位数回归。NQE 通过对数据和先前后验维度进行条件分位数自回归学习,为每个后验维度单独学习一维分位数。使用单调立方 Hermite 样条通过插值预测的分 - 深度集合遇见分位回归:面向时间序列的不确定性感知填充
我们提出了一种非生成时间序列插补方法,该方法通过深度集成与分位数回归相结合,在计算上更高效,并能够准确插补时间序列数据并估计不确定性。
- 澳大利亚国家电力市场中不稳定电价的概率预测方法
南澳大利亚地区的澳大利亚全国电力市场(NEM)显示了现代电力市场中观察到的最高水平的价格波动。本文概述了在这些极端条件下的概率预测方法,包括峰值过滤和几个后处理步骤。我们建议使用分位数回归作为概率预测的集成工具,我们的综合预测相对于所有组成 - 在异常值存在的情况下,使用 Beta 分位回归进行鲁棒估计不确定性
基于鲁棒分位数回归和深度学习的方法,在关键特征异常值存在的情况下,提出了用于估计不确定性的方法,并在医学成像翻译任务中展示了其适用性。
- 非凸惩罚稀疏量化回归的平滑 ADMM 算法
研究了非凸非光滑稀疏惩罚条件下的分位数回归,介绍了交替方向乘法器方法中的新型单循环平滑 ADMM 算法,称为 SIAD 算法,可加快收敛速度并提供稀疏惩罚分位数回归的更快、更稳定的解。
- 高效强多项式算法用于分位数回归
本文提出了针对 Quantile Regression 的多个高效确定性和随机多项式算法,连接到 k 集的几何概念和随机分治算法,分别解决了二维和多维 Quantile Regression 问题。
- 基于分位数回归的可扩展成员推断攻击
成员推断攻击是为了确定一个特定的示例是否被用于训练,采用黑盒访问已训练模型。我们引入了一种新类型的攻击,基于对在训练中未使用的数据上由被攻击模型诱导的置信分数的分位回归。我们通过大量的实验展示了该方法在各种数据集和模型架构上的有效性。
- 流形上向量分位数回归
运用最优输运理论和 $c$- 凹函数的思想,我们有意义地定义了高维空间流形上的条件向量分位函数(M-CVQFs),从而实现了流形上多元分布的分布自由估计、回归及条件置信集计算。通过初步的合成数据实验,展现该方法的功效和关于非欧几里德分位数的 - 深层 Huber 分位回归网络
DHQRN 是一种采用 Huber 分位数回归网络的 Deep Learning 算法,能够更全面地预测预测概率分布的数量级和不确定性,论文通过澳大利亚房价数据进行了验证。
- 通过分位数回归推进相对论推断
该论文旨在通过使用神经网络将反事实推理重新构建为扩展的分位数回归问题,依据已学习的定性因果结构和观测数据进行可靠的反事实推理,而不需要给定因果模型甚至直接估计条件分布,并且该方法比现有方法在统计上更有效,同时也有可能将所估计的反事实结果的泛 - ICML标记偏移下联邦不确定性量化的共形预测
开发了一种新的基于分位数回归的联邦拟合预测方法,考虑到了隐私约束。这种方法利用重要性加权有效地解决了代理之间的标签偏移,并为预测集的有效覆盖和差分隐私提供了理论保证。广泛的实验研究表明,这种方法优于目前的竞争对手。
- 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。
- 提高大规模交通信号控制的泛化能力和稳健性
本研究探讨了使用分布式强化学习方法控制交通信号灯的鲁棒性和泛化能力,提出了一种组合使用分布式和标准强化学习的策略集成方法,并使用隐式分位点网络(Implicit Quantile Networks)进行建模,在缺失的数据和不同的交通网络结构 - 自适应条件分位数神经过程
本文提出了一种新的神经过程成员 Conditional Quantile Neural Processes(CQNPs),采用量化回归来对复杂的分布进行建模,通过学习估计有信息量的分位数来增强抽样效率和预测准确性,并在实验数据集上与基线算法 - 使用双 Expectile-Quantile 回归的分布强化学习
本篇论文提出了一种将 expectiles 和 quantiles 相结合的方法,用于表示回报的分布,该方法充分利用了它们在估计分布方面的独特性质,相较于先前的基于 quantile 或 expectile 的算法在 MuJoCo cont