MVG-CRPS：用于多变量概率预测的稳健损失函数
机器学习
2025-02-03 v2 机器学习
摘要
多变量正态（MVG）分布是建模概率预测中相关连续变量的核心。神经预测模型通常使用神经网络对分布的均值向量和协方差矩阵进行参数化，并以对数得分（负对数似然）作为损失函数进行优化。然而，对数得分对异常值敏感，在存在异常情况时可能导致显著误差。基于单变量分布的持续排序概率得分（CRPS），我们提出MVG-CRPS，这是一种针对MVG分布的严格proper评分规则。MVG-CRPS可表示为神经网络输出的闭式表达式，从而无缝集成到深度学习框架中。在跨多变量自回归和单变量序列到序列（Seq2Seq）预测任务的真实数据集实验中，MVG-CRPS在稳健性、准确性和不确定性量化方面均取得改进。
引用
@article{arxiv.2410.09133,
title = {MVG-CRPS: A Robust Loss Function for Multivariate Probabilistic Forecasting},
author = {Vincent Zhihao Zheng and Lijun Sun},
journal= {arXiv preprint arXiv:2410.09133},
year = {2025}
}