TabResFlow：面向概率单变量表格回归的正规化样条流模型
机器学习
2025-08-26 v1 人工智能
摘要
表格回归是已广泛研究的议题，具备诸多工业应用，但大多数现有方法聚焦于点估计，往往导致预测过于自信。这一问题在工业自动化中尤为关键，因而可信的决策至关重要。概率回归模型通过建模预测不确定性来解决此挑战。然而，许多传统方法假设固定形状分布（通常为高斯），并诉诸估计分布参数。这种假设往往受限，因实际目标分布可能高度复杂。为克服这一局限，我们引入 TabResFlow，一种为单变量表格回归专门设计的正规化样条流模型，其中常用的简单流网络如 RealNVP 和 Masked Autoregressive Flow（MAF）不适用。TabResFlow 包含三个关键组件：（1）针对每个数值特征的 MLP 编码器。（2）用于特征提取的全连接 ResNet 主干。（3）用于灵活且可计算密度估计的条件样条正规化流。我们在九个公开基准数据集上评估了 TabResFlow，结果表明它在似然得分上 consistently 超过现有概率回归模型。我们的结果显示，与最强的概率回归模型（TreeFlow）相比，TabResFlow 性能提升 9.64%；相较于最强的深度学习替代方案（NodeFlow），推理速度平均快 5.6 倍。此外，我们验证了 TabResFlow 在实际应用中用于汽车价格预测任务下的实用性，该任务采用选择性回归。为衡量该设置下的性能，我们引入一种新的 Area Under Risk Coverage（AURC）指标，表明 TabResFlow 在该指标上取得优异成绩。
关键词
引用
@article{arxiv.2508.17056,
title = {TabResFlow: A Normalizing Spline Flow Model for Probabilistic Univariate Tabular Regression},
author = {Kiran Madhusudhanan and Vijaya Krishna Yalavarthi and Jonas Sonntag and Maximilian Stubbemann and Lars Schmidt-Thieme},
journal= {arXiv preprint arXiv:2508.17056},
year = {2025}
}
备注
To be published in The European Conference on Artificial Intelligence, 2025