用于分位数概率建模的神经样条搜索
人工智能
2023-01-13 v1 统计方法学
摘要
在许多需要对可能性范围进行建模的用例中，准确估计输出分位数至关重要。在任意分位数水平和任意输入属性水平上对目标分布进行建模，对于提供数据的全面图景非常重要，这要求分位数函数具有足够的表达能力。使用分位数水平描述目标分布的分位数函数对于分位数回归至关重要。尽管可以采用多种分布的参数形式（由分位数函数指定），但一个长期存在的问题是如何选择最合适的形式来正确近似数据分布。在本文中，我们提出了一种非参数且数据驱动的方法，即神经样条搜索（NSS），以在无参数假设的情况下表示观测到的数据分布。NSS 通过在符号算子的引导下进行一系列单调样条回归来转换输入，从而灵活且富有表现力地对数据分布进行建模。我们证明 NSS 在合成数据、真实世界回归和时间序列预测任务上优于以往方法。
引用
@article{arxiv.2301.04857,
title = {Neural Spline Search for Quantile Probabilistic Modeling},
author = {Ruoxi Sun and Chun-Liang Li and Sercan O. Arik and Michael W. Dusenberry and Chen-Yu Lee and Tomas Pfister},
journal= {arXiv preprint arXiv:2301.04857},
year = {2023}
}