論文の概要: Assessing Extrapolation of Peaks Over Thresholds with Martingale Testing

• arxiv url: http://arxiv.org/abs/2512.03116v1
• Date: Tue, 02 Dec 2025 10:38:25 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:05:08.06367
• Title: Assessing Extrapolation of Peaks Over Thresholds with Martingale Testing
• Title（参考訳）: Martingale テストによる閾値上のピークの外挿評価
• Authors: Joseph de Vilmarest, Olivier Wintenberger,
• Abstract要約: 極度の降水確率を推定することを目的としたEVA2025データチャレンジの勝利戦略を提示する。 極端な事象が不足していることを考えると、単純で堅牢なモデリングアプローチが不可欠であると主張する。
• 参考スコア（独自算出の注目度）: 1.2031796234206134
• License:
• Abstract: We present the winning strategy for the EVA2025 Data Challenge, which aimed to estimate the probability of extreme precipitation events. These events occurred at most once in the dataset making the challenge fundamentally one of extrapolating extreme values. Given the scarcity of extreme events, we argue that a simple, robust modeling approach is essential. We adopt univariate models instead of multivariate ones and model Peaks Over Thresholds using Extreme Value Theory. Specifically, we fit an exponential distribution to model exceedances of the target variable above a high quantile (after seasonal adjustment). The novelty of our approach lies in using martingale testing to evaluate the extrapolation power of the procedure and to agnostically select the level of the high quantile. While this method has several limitations, we believe that framing extrapolation as a game opens the door to other agnostic approaches in Extreme Value Analysis.
• Abstract（参考訳）: 極度の降水確率を推定することを目的としたEVA2025データチャレンジの勝利戦略を提示する。 これらのイベントはデータセットで少なくとも一度は発生し、この課題は基本的に極端な値の外挿の1つである。 極端な事象が不足していることを考えると、単純で堅牢なモデリングアプローチが不可欠であると主張する。 多変量モデルの代わりに単変量モデルを採用し、極値理論を用いて閾値上のピークをモデル化する。 具体的には、(季節調整後の)高量子値上の対象変数の超越をモデルに指数関数分布を適合させる。 本手法の新規性は, マーチンゲール試験を用いて, プロシージャの外挿力を評価し, 高い量子量のレベルを不可知的に選択することにある。 この手法にはいくつかの制限があるが、ゲームとしてのフレーミング外挿は、Extreme Value Analysisにおける他の非依存的アプローチへの扉を開くと信じている。

関連論文リスト

• Bayesian Estimation of Extreme Quantiles and the Exceedance Distribution for Paretian Tails [3.9160947065896803]
  非条件分布の場合、ベイズ量推定はカバレッジ誤差をゼロにすることを示す。 リスク評価に欠かせない,分布の表現と今後の超過の瞬間を導出する。 様々な光分布と重み分布のシミュレーションを用いて,本研究の結果について述べる。
  論文  参考訳（メタデータ） (2025-05-07T15:21:17Z)
• Inference at the data's edge: Gaussian processes for modeling and inference under model-dependency, poor overlap, and extrapolation [0.0]
  ガウス過程 (GP) はフレキシブルな非線形回帰法である。 これは、予測された(非現実的な)値に対する不確実性を扱うための原則化されたアプローチを提供する。 これは外挿または弱い重なり合いの条件下では特に有用である。
  論文  参考訳（メタデータ） (2024-07-15T05:09:50Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• A VAE Approach to Sample Multivariate Extremes [6.548734807475054]
  本稿では,重み付き分布をサンプリングするための変分オートエンコーダ(VAE)アプローチについて述べる。 本研究は,ドナウ川流域における人工的データセットと実測値との関係について述べる。 テストデータセットの標準VAEよりも優れているだけでなく、競合するEVTベースの生成手法との比較も提供する。
  論文  参考訳（メタデータ） (2023-06-19T14:53:40Z)
• Estimation Beyond Data Reweighting: Kernel Method of Moments [9.845144212844662]
  モーメントのカーネル法(KMM)と呼ばれる最大平均誤差に基づく経験的確率推定器を提供する。 条件付きモーメント制限タスクにおいて,本手法が競合性能を達成することを示す。
  論文  参考訳（メタデータ） (2023-05-18T11:52:43Z)
• X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
  ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。 両世界の力を生かすために,我々は新しいX-モデルを提案する。 X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
  論文  参考訳（メタデータ） (2021-10-09T13:56:48Z)
• Residual Overfit Method of Exploration [78.07532520582313]
  提案手法は,2点推定値の調整と1点オーバーフィットに基づく近似探索手法を提案する。 このアプローチは、調整されたモデルと比較して、オーバーフィットモデルが最も過度な適合を示すアクションへの探索を促進する。 ROMEを3つのデータセット上の確立されたコンテキスト的帯域幅法と比較し、最も優れたパフォーマンスの1つとみなす。
  論文  参考訳（メタデータ） (2021-10-06T17:05:33Z)
• Understanding the Under-Coverage Bias in Uncertainty Estimation [58.03725169462616]
  量子レグレッションは、現実の望ましいカバレッジレベルよりもアンファンダーカバー(enmphunder-cover)する傾向がある。 我々は、量子レグレッションが固有のアンダーカバーバイアスに悩まされていることを証明している。 我々の理論は、この過大被覆バイアスが特定の高次元パラメータ推定誤差に起因することを明らかにしている。
  論文  参考訳（メタデータ） (2021-06-10T06:11:55Z)
• 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)

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。