C2FAR：用于精确概率预测的由粗到细自回归网络
机器学习
2023-12-27 v1 人工智能
摘要
我们提出了由粗到细自回归网络（C2FAR），一种对单变量数值随机变量的概率分布进行建模的方法。C2FAR 以自回归方式生成变量的分层、由粗到细的离散化；从一系列分箱分布中逐步生成更精细的支撑区间，其中每个分布均以先前生成的较粗区间为条件。与先前的（扁平）分箱分布不同，C2FAR 仅需复杂度线性增加即可表示具有指数级更高精度的值。我们通过循环神经网络使用 C2FAR 进行概率预测，从而在空间和时间上对时间序列进行自回归建模。C2FAR 是首个能够同时处理任意尺度和分布形状的离散与连续序列的方法。这种灵活性使其适用于各种时间序列用例，包括异常检测、插值和压缩。C2FAR 在多个基准预测数据集上取得了优于现有技术的改进。
引用
@article{arxiv.2312.15002,
title = {C2FAR: Coarse-to-Fine Autoregressive Networks for Precise Probabilistic Forecasting},
author = {Shane Bergsma and Timothy Zeyl and Javad Rahimipour Anaraki and Lei Guo},
journal= {arXiv preprint arXiv:2312.15002},
year = {2023}
}