用不可数非对称拉普拉斯混合模型建模异质分布
机器学习
2019-10-30 v2 机器学习
摘要
在回归任务中，偶然不确定性通常通过考虑输出变量的参数化分布来解决，这基于对称性、单峰性或限定形状等强假设。在存在复杂形状、强偏斜或多重模态的场景中，这些假设过于受限。在本文中，我们提出了一种学习不可数非对称拉普拉斯混合模型（UMAL）的通用深度学习框架，它将允许我们估计输出变量的异质分布，并展示其与分位数回归的联系。尽管具有固定数量的参数，该模型可被解释为无限混合分量，从而对异质分布产生灵活的近似。除合成案例外，我们将该模型应用于客房价格预测和个人银行账户中的金融操作预测。我们证明UMAL产生适当的分布，这使我们能够提取更丰富的洞察并锐化决策。
引用
@article{arxiv.1910.12288,
title = {Modelling heterogeneous distributions with an Uncountable Mixture of Asymmetric Laplacians},
author = {Axel Brando and Jose A. Rodríguez-Serrano and Jordi Vitrià and Alberto Rubio},
journal= {arXiv preprint arXiv:1910.12288},
year = {2019}
}
备注
12 pages, 4 figures, Paper accepted as poster at the 33rd Conference on Neural Information Processing Systems (NeurIPS 2019), Vancouver, Canada