論文の概要: MVG-CRPS: A Robust Loss Function for Multivariate Probabilistic Forecasting

• arxiv url: http://arxiv.org/abs/2410.09133v2
• Date: Fri, 31 Jan 2025 16:48:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-03 13:59:52.182391
• 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: 本稿では,MVG分布の厳密なスコアリングルールであるMVG-CRPSを提案する。 MVG-CRPSはニューラルネットワークの出力の観点からクローズドフォーム表現を認め、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。
• 参考スコア（独自算出の注目度）: 17.212396544233307
• License:
• Abstract: Multivariate Gaussian (MVG) distributions are central to modeling correlated continuous variables in probabilistic forecasting. Neural forecasting models typically parameterize the mean vector and covariance matrix of the distribution using neural networks, optimizing with the log-score (negative log-likelihood) as the loss function. However, the sensitivity of the log-score to outliers can lead to significant errors in the presence of anomalies. Drawing on the continuous ranked probability score (CRPS) for univariate distributions, we propose MVG-CRPS, a strictly proper scoring rule for MVG distributions. MVG-CRPS admits a closed-form expression in terms of neural network outputs, thereby integrating seamlessly into deep learning frameworks. Experiments on real-world datasets across multivariate autoregressive and univariate sequence-to-sequence (Seq2Seq) forecasting tasks show that MVG-CRPS improves robustness, accuracy, and uncertainty quantification in probabilistic forecasting.
• Abstract（参考訳）: 多変量ガウス分布(MVG)は確率予測における相関連続変数のモデル化の中心である。 神経予測モデルは通常、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、損失関数として対数スコア(負の対数類似度)を最適化する。 しかし、ログスコアの異常値に対する感度は異常の有無で重大なエラーを引き起こす可能性がある。 単変量分布の連続的ランク付け確率スコア(CRPS)に基づいて、MVG分布の厳密な適切なスコアリングルールであるMVG-CRPSを提案する。 MVG-CRPSはニューラルネットワークの出力の観点からクローズドフォーム表現を認め、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。 多変量自己回帰および単変量シーケンス・ツー・シーケンス(Seq2Seq)予測タスクにわたる実世界のデータセットの実験は、MVG-CRPSが確率予測の堅牢性、正確性、不確実性を改善することを示している。

関連論文リスト

• Flexible Heteroscedastic Count Regression with Deep Double Poisson Networks [4.58556584533865]
  本稿ではDDPN(Deep Double Poisson Network)を提案する。 DDPNは既存の離散モデルを大幅に上回っている。 これは様々なカウント回帰データセットに適用できる。
  論文  参考訳（メタデータ） (2024-06-13T16:02:03Z)
• 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)
• 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)
• 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)
• 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 Kolmogorov-Arnold Network [1.4732811715354455]
  本稿では,アレータティック不確実性の場合に出力の確率分布を推定する手法を提案する。 提案手法は, 出力の入力依存確率分布と, 入力による分布型の変化を対象とする。 本手法は任意の回帰モデルに適用できるが, 計算効率のよいモデルの構築につながるため,kansと組み合わせる。
  論文  参考訳（メタデータ） (2021-04-04T23:49:15Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• 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)
• 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。