变分不平衡回归：通过概率平滑实现公平的不确定性量化

当标签分布不平衡时，现有回归模型在准确性和不确定性估计方面往往都有所不足。本文中，我们提出一种概率深度学习模型，称为变分不平衡回归（VIR），它不仅在不平衡回归中表现良好，而且自然地产生合理的不确定性估计作为副产品。不同于假设 I.I.D. 表示（一个数据点的表示不受其他数据点直接影响）的典型变分自编码器，我们的 VIR 借用具有相似回归标签的数据来计算潜表示的变分分布；此外，不同于产生点估计的确定性回归模型，VIR 预测整个正态-逆伽马分布并调节相关的共轭分布，以对不平衡数据施加概率重加权，从而提供更好的不确定性估计。在多个真实世界数据集上的实验表明，我们的 VIR 在准确性和不确定性估计方面均优于最先进的不平衡回归模型。代码将很快发布于 https://github.com/Wang-ML-Lab/variational-imbalanced-regression。