論文の概要: CRPS Learning

• arxiv url: http://arxiv.org/abs/2102.00968v1
• Date: Mon, 1 Feb 2021 16:54:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-02 15:32:01.327393
• Title: CRPS Learning
• Title（参考訳）: CRPS学習
• Authors: Jonathan Berrisch, Florian Ziel
• Abstract要約: 組み合わせと集約技術は予測精度を大幅に向上させることができる。 連続的なランク付け確率スコア(CRPS)に関して最適化するポイントワイズオンラインアグリゲーションアルゴリズムについて論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Combination and aggregation techniques can improve forecast accuracy substantially. This also holds for probabilistic forecasting methods where full predictive distributions are combined. There are several time-varying and adaptive weighting schemes like Bayesian model averaging (BMA). However, the performance of different forecasters may vary not only over time but also in parts of the distribution. So one may be more accurate in the center of the distributions, and other ones perform better in predicting the distribution's tails. Consequently, we introduce a new weighting procedure that considers both varying performance across time and the distribution. We discuss pointwise online aggregation algorithms that optimize with respect to the continuous ranked probability score (CRPS). After analyzing the theoretical properties of a fully adaptive Bernstein online aggregation (BOA) method, we introduce smoothing procedures for pointwise CRPS learning. The properties are confirmed and discussed using simulation studies. Additionally, we illustrate the performance in a forecasting study for carbon markets. In detail, we predict the distribution of European emission allowance prices.
• Abstract（参考訳）: 組み合わせと集約技術は予測精度を大幅に向上させることができる。 これはまた、完全な予測分布が組み合わさった確率予測手法にも当てはまる。 ベイズモデル平均化(BMA)のような時間変化および適応的な重み付けスキームはいくつか存在する。 しかし、異なる予測器の性能は時間とともに異なるだけでなく、分布の一部にも異なる可能性がある。 したがって、分布の中心ではより正確なものがあり、他のものは分布の尾部を予測するのに優れている。 その結果、時間と分布の異なる性能を考慮に入れた新たな重み付け手法が導入された。 本稿では,連続ランク付き確率スコア(crps)に対して最適化するポイントワイズオンラインアグリゲーションアルゴリズムについて検討する。 完全適応的ベルンシュタインオンラインアグリゲーション(BOA)法の理論的性質を解析した後,ポイントワイズCRPS学習のためのスムースな手順を導入する。 特性はシミュレーション研究によって確認され、議論されます。 さらに, 炭素市場に関する予測研究において, その性能について概説する。 詳細は、欧州の排出量許容価格の分布を予測する。

関連論文リスト

• Efficient pooling of predictions via kernel embeddings [0.24578723416255752]
  確率的予測は、可能な結果の集合上の確率分布である。 それらは典型的には、個々の予測分布を線形にプールすることで結合される。 各予測に割り当てられた重量は、過去の性能に基づいて推定できる。 これは、いくつかのトレーニングデータに対して適切なスコアリングルールを最適化する重みを見つけることで達成できる。
  論文  参考訳（メタデータ） (2024-11-25T10:04:37Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Boosted Control Functions [10.503777692702952]
  本研究の目的は,因果効果推定と予測タスクのギャップを埋めることである。 我々は,機械学習の分布場と同時方程式モデル,およびエコノメティクスの制御関数との新たな接続を確立する。 このフレームワーク内では、予測モデルに対する不変性の強い概念を提案し、それを既存の(ウィーカー)バージョンと比較する。
  論文  参考訳（メタデータ） (2023-10-09T15:43:46Z)
• Ensemble weather forecast post-processing with a flexible probabilistic neural network approach [0.0]
  そこで我々は,すべての位置の予測とリードタイムを共同で生成する,ニューラルネットワークに基づく新しい手法を提案する。 本手法の有効性を,EUPPBenchベンチマークの文脈で示す。
  論文  参考訳（メタデータ） (2023-03-29T15:18:00Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• Aggregating distribution forecasts from deep ensembles [0.0]
  本稿では,ディープアンサンブルのための一般的な量子集約フレームワークを提案する。 深層アンサンブルからの予測分布を組み合わせることで,予測性能を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2022-04-05T15:42:51Z)
• 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 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)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。