专家聚合对温度预测的贡献：基于睡眠专家的二阶界限
最优化与控制
2025-06-19 v1
摘要
本文改进了第一部分中使用（在线）专家聚合（EA）所做的温度预测。在保持至少相同均方根误差的同时，使聚合更具响应性，并减少大错误的数量。我们通过采用睡眠专家框架（SEF）[Freund 等，1997, Devaine 等，2013] 实现了对偏置专家（总体上表现不佳，但在特定时刻可能表现良好）的更高效利用。由于我们不像 Devaine 等 [2013] 那样提前知道何时使用这些偏置专家，故采用梯度提升回归树 [Chen 和 Guestrin，2016] 进行处理，并提供对专家序列的后悔界限[Mourtada 和 Maillard，2017]，该序列考虑了这种不确定性。我们在 BOA [Wintenberger，2024] 上进行了完全在线应用，该方法在第一部分中取得了最佳结果。最后，我们采用 EA follow the leader 进行了元聚合，以决定是否使用 SEF 以限制其可能引入的噪声。
引用
@article{arxiv.2506.15216,
title = {Contribution of expert aggregation to temperature prediction part II: Second order bounds with sleeping experts},
author = {Léo Pfitzner and Olivier Wintenberger and Olivier Mestre},
journal= {arXiv preprint arXiv:2506.15216},
year = {2025}
}