不确定性门控生成模型
机器学习
2026-03-10 v1
摘要
金融时间序列预测是一项高风险问题，其中 regime 迁移和冲击使得点准确且过于自信的模型危险。我们提出不确定性门控生成模型(Uncertainty-Gated Generative Modeling, UGGM)，将不确定性作为内部控制信号来调节 (i) 表示通过门控重参数化实现，(ii) 传播通过相似性和置信度路由实现，以及 (iii) 生成通过不确定性控制的预测分布实现，同时伴随不确定性驱动的正则化和校准以缓解误校准问题。在弱创新自编码器(Weak Innovation AutoEncoder, WIAE)上实现后，我们的UG-WIAE-GPF显著优于风险敏感预测，NYISO数据集上MSE降低63.5% (0.3508 → 0.1281)，在冲击区间表现更稳健(mSE: 0.2739 → 0.1748)。
引用
@article{arxiv.2603.07753,
title = {Uncertainty-Gated Generative Modeling},
author = {Xingrui Gu and Haixi Zhang},
journal= {arXiv preprint arXiv:2603.07753},
year = {2026}
}
备注
Accepeted by ICLR 2026 Workshop Advances in Financial AI