- ICML贝叶斯循环回归的 von Mises 准过程
本文介绍了一种用于预测圆形值的回归模型,探讨了与高斯过程相关的一族表达且可解释的分布。该模型密度简单,具有最大熵,通过引入一种新的 Stratonovich-like augmentation,可以进行快速的 Markov Chain Mo - 深度学习在资产管理中的因子择时应用
该论文研究了回归模型(OLS 线性回归、Ridge 回归、随机森林和全连接神经网络)在 CMA(保守与激进)因子溢价预测和因子择时投资方面的表现。外样本 R 方显示更灵活的模型在解释未知时期因子溢价的方差方面具有更好的性能,回测证实基于更灵 - 训练后的机器学习回归模型中不确定性传播的分析结果
机器学习模型在计量学应用中的可信度需要伴随确定性不确定性的量化,本文解决了经过训练 / 固定的机器学习回归模型中不确定性传播的挑战,提供了在特定输入数据分布和多种机器学习模型下,对模型输出均值和方差的解析表达式,并通过数值实验验证方法,与蒙 - XpertAI:揭示子流形的模型策略
近年来,可解释性人工智能(Explainable AI,XAI)方法已经促进了机器学习模型的深入验证和知识提取。然而,尽管分类问题得到了广泛研究,但很少有 XAI 解决方案针对回归模型的特定挑战。本文介绍了 XpertAI,一个将预测策略分 - ICLR通过目标编码和分类损失实现的神经场分类器
神经场分类器 (NFC) 是一种新颖的神经场方法,将神经场方法转化为分类任务而不是回归任务,并通过使用目标编码模块和优化分类损失来实现,从机器学习的角度回答了神经场方法的回归模型是否比分类模型更好的问题。NFC 在几乎不增加计算成本的情况下 - NeRCC:用于弹性分布式预测服务系统的嵌套回归编码计算
NeRCC 是一个适用于近似编码计算的抗拖尾策略框架,通过编码回归和采样、计算、解码回归和采样三个层次的工作,以及对两个正则化项的联合优化,在广泛的拖尾情况下精确近似了原始预测,超过了现有技术的最高 23%。
- 从物理数据学习有效的良好变量
通过回归模型和分类模型,我们提出并测试了两种机器学习方法来发现可能的原始变量组合,应用于描述传热现象和普遍引力定律。
- ManiPose:约束流形多假设的三维人体姿态估计
单目三维人体姿态估计是一个具有固有歧义的任务,我们提出了 ManiPose,一种新颖的多假设模型,通过在人体姿势流形内约束模型,提供多组候选三维姿势,并达到更强一致性,从而超越现有的姿势一致性性能。
- 回归问题的最优无偏随机化方法与标签差分隐私
我们提出了一种新的标签随机化方法,用于在标签差分隐私(DP)约束下训练回归模型,并通过减少偏差来提高标签 DP 训练神经网络的隐私效用权衡的性能。
- 农业预测的创新:关于全球作物产量预测的多元回归研究
利用 6 种回归模型(线性回归、决策树、梯度下降、梯度提升、K 最近邻和随机森林)预测 196 个国家的农作物产量,并通过农药、降雨量、温度和产量 4 个参数,发现随机森林回归模型的决定系数(r^2)为 0.94,误差(ME)为 0.03。 - 电动重型车辆辅助能源消耗预测
准确的能源消耗预测对于优化电动商用重型车辆的运营至关重要,本文介绍了一种基于子集训练的回归模型,该模型在复杂问题中将其拆分为更简单的子问题,以实现更好的回归性能和解释性。
- 基于大数据的空域拥塞预测
提出了一种新的数据管理和预测系统,可准确预测国家空域系统(NAS)特定空域区域内的飞机计数。对美国的大量实际轨迹、天气和空中交通数据进行评估,验证了我们的系统在每个空域部门高效准确地预测飞机计数。
- 使用整合回归逼近基于分数的解释技术
我们提出并研究了使用计算成本较低的回归模型来逼近诸如 SHAP 之类的基于分数解释技术的输出,通过采用归纳符合预测框架提供了对逼近值的有效性保证。我们提出了几种非一致性度量方法,旨在考虑到解释逼近的困难程度同时保持计算成本的低廉。通过大规模 - 寻找完美匹配:将回归模型应用于 ClimateBench v1.0
使用机器学习模型作为仿真器来进行气候预测是当前研究中的一个主要领域,可以帮助决策者做出明智决策。本研究侧重于评估使用非线性回归模型进行气候仿真的能力,并比较了三种非线性回归模型的效果。高斯过程回归模型在气候仿真研究中展现了卓越的性能,但在计 - 利用数据挖掘技术识别影响建筑物能耗和成本降低的因素
利用三种回归模型来预测建筑的主要燃料使用、电能消耗和节约成本,以及通过应用元启发式技术优化决策树算法,研究分析影响能源消耗和成本降低的因素,并评估潜在建筑的实用特征,以减少主要燃料使用、电能消耗和成本。
- 提升供应链弹性:基于机器学习的产品可用性日期预测方法及其应对中断方案
通过多种回归模型,本文尝试预测通用电气(GE)燃气和汽轮机服务和制造业务物流运输的产品可用性日期,并表明树形算法(即 RF 和 GBM)提供了最佳的泛化误差和最佳性能。
- 评估回归模型在预测医疗保险费用方面的表现
本研究使用三种回归模型(线性回归,梯度提升,支持向量机)来预测医疗保险成本,并以 RMSE、R Square 和 K-Fold 交叉验证为评估指标。结果表明,在这些模型中,梯度提升的 R Square 最高 0.892,RMSE 最低 13 - 音乐多模态:从高级音频特征和歌词预测音乐情感
本文旨在研究多模态方法是否能在高级歌曲特征和歌词上比单一模态更好地预测歌曲情感得分,结果显示多模态特征在预测愉悦度时比纯音频好,其中 5 种高级歌曲特征对模型性能的贡献最大。
- ICML基于半监督自编码器的软测量在线主动学习方法
本文提出了一种将主动学习方法和半监督学习结合的数据驱动软测量方法,通过正交自编码器学习低维特征,以预测化工过程中难以测量的过程变量,实验证明,在流式数据下,该方法可以选择最具信息量的数据点,与传统离线环境相比获得更好的预测表现。
- 采用数据挖掘技术进行石油价格预测 -- 综述
本文综述了数据挖掘技术,包括回归模型、深度神经网络模型、模糊集和逻辑以及混合模型,以及这些模型如何开发及其准确性,用于石油价格预测。