論文の概要: MVG-CRPS: A Robust Loss Function for Multivariate Probabilistic Forecasting
- arxiv url: http://arxiv.org/abs/2410.09133v1
- Date: Fri, 11 Oct 2024 15:10:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-30 16:03:11.156995
- Title: MVG-CRPS: A Robust Loss Function for Multivariate Probabilistic Forecasting
- Title(参考訳): MVG-CRPS:多変量確率予測のためのロバストロス関数
- Authors: Vincent Zhihao Zheng, Lijun Sun,
- Abstract要約: 本研究では,高次元MVG出力に特化して設計されたロバスト損失関数を提案する。
提案したMVG-CRPS損失関数は、ニューラルネットワークの出力に基づいてクローズドフォーム表現を持ち、ディープラーニングモデルに容易に統合できる。
実世界のデータセットによる実験結果から,MVG-CRPSはロバスト性と効率性の両方を達成することが示された。
- 参考スコア(独自算出の注目度): 17.212396544233307
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In probabilistic time series forecasting, the multivariate Gaussian (MVG) distribution is widely used as predictive distribution for correlated continuous random variables. Current deep probabilistic models typically employ neural networks to parameterize the mean vector and covariance matrix of the distribution, with log-score (i.e., negative log-likelihood) as the default loss function. However, log-score is highly sensitive to outliers, leading to significant errors when anomalies are present in the data. Motivated by the use of the continuous ranked probability score (CRPS) in learning univariate distributions, we propose a robust loss function specifically designed for high-dimensional MVG outputs. The proposed MVG-CRPS loss function has a closed-form expression based on the neural network outputs, making it easily integrable into deep learning models. We evaluate MVG-CRPS on two probabilistic forecasting tasks -- multivariate autoregressive and univariate sequence-to-sequence (Seq2Seq) forecasting -- both involving observations following MVG distribution. Experimental results on real-world datasets demonstrate that MVG-CRPS achieves both robustness and efficiency, offering enhanced accuracy and uncertainty quantification in probabilistic forecasting.
- Abstract(参考訳): 確率的時系列予測では、多変量ガウス分布(MVG)が相関連続確率変数の予測分布として広く用いられている。
現在の深い確率モデルでは、ニューラルネットワークを用いて分布の平均ベクトルと共分散行列をパラメータ化し、デフォルトの損失関数として対数スコア(負の対数類似関数)を用いるのが一般的である。
しかし、ログスコアは外れ値に非常に敏感であり、データに異常が存在する場合、重大なエラーが発生する。
単変量分布の学習にCRPS(Continuous Rank probability score)を用いることで、高次元MVG出力に特化して設計されたロバストな損失関数を提案する。
提案したMVG-CRPS損失関数は、ニューラルネットワークの出力に基づいてクローズドフォーム表現を持ち、ディープラーニングモデルに容易に統合できる。
多変量自己回帰と一変量列列列列列予測(Seq2Seq)という2つの確率的予測タスクにおけるMVG-CRPSの評価を行った。
実世界のデータセットによる実験結果から,MVG-CRPSは頑健性と効率性を両立し,確率予測における精度の向上と不確実性の定量化を実現している。
関連論文リスト
- Marginalization Consistent Mixture of Separable Flows for Probabilistic Irregular Time Series Forecasting [4.714246221974192]
我々は,新しい確率的不規則時系列予測モデル,Marginalization Consistent Mixtures of Separable Flows (moses)を開発した。
mosesは、他の最先端のマーカライゼーション一貫性モデルより優れ、ProFITiと同等だが、ProFITiと異なり、マーカライゼーション一貫性を保証する。
論文 参考訳(メタデータ) (2024-06-11T13:28:43Z) - Invariant Probabilistic Prediction [45.90606906307022]
任意の分布シフトは、一般に不変かつ頑健な確率的予測を認めないことを示す。
Invariant probabilistic predictions called IPP, and study the consistency of the underlying parameters。
論文 参考訳(メタデータ) (2023-09-18T18:50:24Z) - Scalable Dynamic Mixture Model with Full Covariance for Probabilistic
Traffic Forecasting [16.04029885574568]
時間変化誤差過程に対するゼロ平均ガウス分布の動的混合を提案する。
提案手法は,学習すべきパラメータを数つ追加するだけで,既存のディープラーニングフレームワークにシームレスに統合することができる。
提案手法を交通速度予測タスク上で評価し,提案手法がモデル水平線を改良するだけでなく,解釈可能な時間相関構造も提供することを発見した。
論文 参考訳(メタデータ) (2022-12-10T22:50:00Z) - 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) - Uncertainty Modeling for Out-of-Distribution Generalization [56.957731893992495]
特徴統計を適切に操作することで、ディープラーニングモデルの一般化能力を向上させることができると論じる。
一般的な手法では、特徴統計を学習した特徴から測定された決定論的値とみなすことが多い。
我々は、学習中に合成された特徴統計を用いて、領域シフトの不確かさをモデル化することにより、ネットワークの一般化能力を向上させる。
論文 参考訳(メタデータ) (2022-02-08T16:09:12Z) - Marginalization in Bayesian Networks: Integrating Exact and Approximate
Inference [0.0]
欠落データと隠れ変数は、変数のサブセットの限界確率分布を計算する必要がある。
ベイジアンネットワークのグラフィカルな特性を利用した分割・コンカレント手法を開発した。
分類変数の限界確率分布を推定するための効率的でスケーラブルなアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-12-16T21:49:52Z) - Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma
Distributions [91.63716984911278]
このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。
実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
論文 参考訳(メタデータ) (2021-11-11T14:28:12Z) - 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) - Evaluating probabilistic classifiers: Reliability diagrams and score
decompositions revisited [68.8204255655161]
確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。
コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
論文 参考訳(メタデータ) (2020-08-07T08:22:26Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z)
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。