E-QRGMM：高效生成式 metamodeling用于协变量依赖不确定性量化
机器学习
2026-01-28 v1 机器学习
摘要
基于仿真的推断中进行协变量依赖不确定性量化对于高风险决策至关重要，但面临挑战：现有方法如保形预测和经典自助法在协变量特定条件下处理不佳。我们提出了高效分位数回归生成式 metamodeling（E-QRGMM），一种新框架，通过集成三次Hermite插值与梯度估计，加速了分位数回归生成式 metamodeling（QRGMM）方法。理论上，我们证明E-QRGMM在保持原始QRGMM收敛率的同时，将大多数分位数水平的网格复杂度从降低到，显著提升了计算效率。实验上，E-QRGMM在合成数据和实际数据上，实现了分布精度与训练速度之间优越的权衡，优于QRGMM和其他先进的深度生成模型。此外，通过实现对任意感兴趣统计量的自助法置信区间构建，E-QRGMM为协变量依赖不确定性量化提供了实用解决方案。
引用
@article{arxiv.2601.19256,
title = {E-QRGMM: Efficient Generative Metamodeling for Covariate-Dependent Uncertainty Quantification},
author = {Zhiyang Liang and Qingkai Zhang},
journal= {arXiv preprint arXiv:2601.19256},
year = {2026}
}