基于线性网络的辅助分位数预测

我们提出了一种新颖的共享线性层分位数预测多任务方法。我们的方法基于隐式分位数学习（Implicit quantile learning）思路，其中来自均匀分布 $\mathcal{U}(0, 1)$ 的样本被重参数化为目标分布的分位数值。我们将隐式分位数与输入时间序列表示相结合，直接联合预测多个 horizon 的多个分位数估计。先前工作已在多任务学习设置中采用线性层直接估计所有预测 horizon。我们表明，遵循类似多任务学习直觉以利用预测 horizon 间的相关性，可将多个分位数估计建模为每个预测 horizon 的辅助任务，从而相比仅建模单一分位数估计提升各分位数估计的预测精度。我们表明，学习辅助分位数任务在关于预测第 50$^{th}$ 百分位估计主任务的确定性预测基准上取得了 SOTA 性能。