驯服深度概率预测的长尾问题
机器学习
2022-03-04 v2
摘要
深度概率预测在从天气预报、电力消耗估计到自动驾驶车辆轨迹预测等众多应用中受到关注。然而,现有方法侧重于最常见场景的改进,而未解决罕见且困难案例上的性能问题。在本工作中,我们识别出最先进深度学习方法在概率预测性能上的长尾行为。我们提出两种基于矩的尾部度量概念以提升困难尾部样本的性能:Pareto Loss 与 Kurtosis Loss。Kurtosis loss 是关于损失分布均值四阶矩的对称度量。Pareto loss 是非对称地度量右尾性,使用广义 Pareto 分布(GPD)对损失建模。我们在包括时间序列与时空轨迹的若干真实数据集上展示了我们方法的性能,在尾部样本上取得了显著改进。
引用
@article{arxiv.2202.13418,
title = {Taming the Long Tail of Deep Probabilistic Forecasting},
author = {Jedrzej Kozerawski and Mayank Sharan and Rose Yu},
journal= {arXiv preprint arXiv:2202.13418},
year = {2022}
}
备注
17 pages