論文の概要: Quantile Surfaces -- Generalizing Quantile Regression to Multivariate Targets

• arxiv url: http://arxiv.org/abs/2010.05898v1
• Date: Tue, 29 Sep 2020 16:35:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 07:03:34.393261
• Title: Quantile Surfaces -- Generalizing Quantile Regression to Multivariate Targets
• Title（参考訳）: 量子曲面-多変量ターゲットへの量子回帰の一般化
• Authors: Maarten Bieshaar, Jens Schreiber, Stephan Vogt, Andr\'e Gensler, Bernhard Sick
• Abstract要約: 我々のアプローチは、QS(quantile surfaces)と呼ばれる、単一出力量子化回帰(QR)から多変量ターゲットへの拡張に基づいている。 第1段階では、決定論的ポイント予測(中央傾向推定)を行います。 次に、量子表面回帰ニューラルネットワーク(QSNN)と呼ばれるニューラルネットワークを含むQSを用いた予測の不確かさをモデル化する。 再生可能エネルギー発電の確率予測と,短期サイクリストの軌道予測の2つの分野において,合成データに対する新たなアプローチと,現在研究中の2つの領域における実世界の課題の評価を行った。
• 参考スコア（独自算出の注目度）: 4.979758772307178
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this article, we present a novel approach to multivariate probabilistic forecasting. Our approach is based on an extension of single-output quantile regression (QR) to multivariate-targets, called quantile surfaces (QS). QS uses a simple yet compelling idea of indexing observations of a probabilistic forecast through direction and vector length to estimate a central tendency. We extend the single-output QR technique to multivariate probabilistic targets. QS efficiently models dependencies in multivariate target variables and represents probability distributions through discrete quantile levels. Therefore, we present a novel two-stage process. In the first stage, we perform a deterministic point forecast (i.e., central tendency estimation). Subsequently, we model the prediction uncertainty using QS involving neural networks called quantile surface regression neural networks (QSNN). Additionally, we introduce new methods for efficient and straightforward evaluation of the reliability and sharpness of the issued probabilistic QS predictions. We complement this by the directional extension of the Continuous Ranked Probability Score (CRPS) score. Finally, we evaluate our novel approach on synthetic data and two currently researched real-world challenges in two different domains: First, probabilistic forecasting for renewable energy power generation, second, short-term cyclists trajectory forecasting for autonomously driving vehicles. Especially for the latter, our empirical results show that even a simple one-layer QSNN outperforms traditional parametric multivariate forecasting techniques, thus improving the state-of-the-art performance.
• Abstract（参考訳）: 本稿では,多変量確率予測に対する新しいアプローチを提案する。 我々のアプローチは、QS(quantile surfaces)と呼ばれる多変量ターゲットへの単一出力量子化回帰(QR)の拡張に基づいている。 QSは、中央の傾向を推定するために、方向とベクトル長を通して確率的予測の観測を索引付けする単純なアイデアを用いる。 単出力QR手法を多変量確率目標に拡張する。 QSは多変量ターゲット変数の依存関係を効率的にモデル化し、離散量子レベルを通して確率分布を表現する。 そこで我々は,新しい二段階プロセスを提案する。 第1段階では,決定論的ポイント予測(中央傾向推定)を行う。 次に、量子表面回帰ニューラルネットワーク(QSNN)と呼ばれるニューラルネットワークを含むQSを用いた予測の不確かさをモデル化する。 さらに, 出力される確率的qs予測の信頼性とシャープネスを効率良く簡易に評価する手法を提案する。 私たちはこれを,CRPS(Continuous Ranked Probability Score)スコアの方向性拡張によって補完します。 最後に, 人工データに対する新たなアプローチと, 現在研究中の2つの課題について, 再生可能エネルギー発電の確率的予測, 自律走行車両の短期自転車軌道予測について評価した。 特に後者では, 単純な1層QSNNでも従来のパラメトリック多変量予測技術より優れており, 最先端の性能が向上している。

関連論文リスト

• From Reactive to Proactive Volatility Modeling with Hemisphere Neural Networks [0.0]
  我々は,新しいニューラルネットワークアーキテクチャを用いて,マクロ経済密度予測のための最大推定値(MLE)を再活性化する。 ヘミスフィアニューラルネットワーク(HNN)は、可能時の主指標に基づく積極的なボラティリティ予測と、必要時の過去の予測誤差の大きさに基づく反応性ボラティリティ予測を提供する。
  論文  参考訳（メタデータ） (2023-11-27T21:37:50Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Probabilistic Forecasting with Coherent Aggregation [42.215158938066054]
  MQForecasterニューラルネットワークアーキテクチャを構築によりコヒーレンスを実現するための新しい深いガウス因子予測モデルで拡張する。 最先端のコヒーレント予測手法と比較して、DeepCoFactorはスケールしたCRPS予測精度を大幅に改善し、平均利得は15%である。
  論文  参考訳（メタデータ） (2023-07-19T07:31:37Z)
• Distributional Gradient Boosting Machines [77.34726150561087]
  私たちのフレームワークはXGBoostとLightGBMをベースにしています。 我々は,このフレームワークが最先端の予測精度を実現することを示す。
  論文  参考訳（メタデータ） (2022-04-02T06:32:19Z)
• Probabilistic Forecasting with Generative Networks via Scoring Rule Minimization [5.5643498845134545]
  生成ニューラルネットワークを用いて高次元空間上の分布をパラメトリズする。 生成ネットワークをトレーニングし、関心の現象の時間的シーケンスの記録に基づいて、予測順序(または前順序)のスコアリングルールを最小化する。 本手法は,特に確率的キャリブレーションにおいて,最先端の対角法よりも優れている。
  論文  参考訳（メタデータ） (2021-12-15T15:51:12Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
  PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。 既存の最先端手法と比較してPGBMの利点を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-03T08:32:13Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Multi-target regression via output space quantization [0.3007949058551534]
  MRQと呼ばれる提案手法は、複数の連続目標を1つ以上の離散目標に変換するために出力空間を定量化するアイデアに基づいている。 ベンチマークデータセットの大規模なコレクションの実験は、MRQが高度にスケーラブルであり、精度の面で最先端と競合していることを示している。
  論文  参考訳（メタデータ） (2020-03-22T13:57:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。