概率预测相关 AI 资讯

8月21日

10:00

官方账号arXiv cs.LG@Alexander Marusov, Dmitry Anikin, Alexey Zaytsev

DecoVAE 是一个轻量级可解释的趋势-季节性 VAE 框架。该模型通过领域特定的归纳偏置，将时间序列显式分解为趋势和季节性成分。在七个真实世界基准测试中，DecoVAE 在短期预测上实现了 14.96% 的 CRPS 和 23.30% 的 NMAE 降低。在长期预测上，其 CRPS 和 NMAE 降低分别高达 52.68% 和 26.51%。同时，该模型在保持高效率方面表现突出，模型权重减少了 93%，速度提升了 74%。

论文 DecoVAE 时间序列预测概率预测

推荐理由：研究人员提出了 DecoVAE，一个专门用于时间序列预测的轻量级 VAE 框架。它把时间序列拆成趋势和季节性两部分来处理，在多个基准测试上比其他方法更准，而且模型更小、速度更快。

原文

8月14日

11:35

官方账号arXiv cs.LG@Georgy Noarov, Aaron Roth

Defensive Booster是面向在线二元结果概率预测的新算法。它在每条对抗序列上与H的跨度最佳预测竞争Brier分数，速率与在线梯度提升相同；在平滑弱学习条件满足时，其随机分类误差速率与在线分类提升相同。该算法仅访问一个弱类学习器，而之前的方法需维护多个弱学习器集成。实验表明其预测性能强，运行时间快几个数量级。

论文 Defensive Booster Boosting 在线学习

推荐理由：Defensive Booster这新算法，用单个弱学习器同时拿到在线梯度提升和分类提升的保证，跑得还快几个数量级。

原文

8月12日

16:46

官方账号arXiv cs.AI@Kiran Madhusudhanan, Christian Klötergens, Lars Schmidt-Thieme, Vijaya Krishna Yalavarthi

TORF框架将均值预测与不确定性估计解耦，第一阶段用预训练确定性模型生成准确均值，第二阶段用严格奇函数的受限归一化流学习残差分布，无需采样即可保证均值保持。实验表明TORF在短长期预测中同时达到最优确定性精度（NMAE）和强密度估计性能（CRPS）。该方法解决了传统参数方法在联合NLL训练下点精度下降和生成模型采样成本高的问题。

论文 TORF 时间序列预测归一化流

推荐理由：时间序列预测想同时要准均值和好分布？TORF用两阶段把这两件事拆开做，不用采样就能保住均值，短长期都跑赢了现有方法。

原文

7月15日

09:06

官方账号arXiv cs.LG@Sarah Al-Shareeda, Gulcihan Ozdemir, Heung Seok Jeon

该论文提出一个统一的一日前概率预测框架，用于比较模块化事后残差分位数与集成模型内分位数学习两种方案。使用三种深度学习骨干网络（循环、混合循环、Temporal Fusion Transformer）在相同输入下进行评估。结果表明TFT上的集成分位数学习性能最优，MAPE为2.2-3.6%，RMSE为28-83W，且区间宽度比模块化方案窄约5倍。重建敏感性测试显示重建输入使分位数得分增加106%，但区间宽度几乎不变，说明模型未自动吸收重建不确定性。该研究揭示事后残差分位数在依赖重建输入时的局限性，并通过非DL基线和季节性验证支持排名。

论文 TFT 负荷预测概率预测

推荐理由：这篇论文教你怎么选负荷预测模型——TFT内部做分位数学习比事后校正靠谱，区间窄5倍，适合做精确调度。

原文

7月2日

12:21

官方账号arXiv cs.LG@Kornelius Raeth, Nicole Ludwig

该论文提出决策感知训练方法，在基于样本的生成模型训练中，将能量分数（energy score）目标与可微决策损失（decision loss）结合，直接惩罚下游决策成本。决策损失本身是严格适当的评分规则，具有理论保证。在1个合成任务和2个真实世界任务上验证，该方法在成本敏感区域提升性能，同时保留完整概率预测。

论文 sample-based generative models energy score 决策损失

推荐理由：这篇论文提出一个很实用的思路：训练生成模型时直接考虑下游决策成本，而不是只匹配数据密度。在概率预测场景中特别有价值。

原文

6月12日

09:40

官方账号arXiv cs.LG@Kaijie Xu, Anqi Wang, Xilin Dai

论文提出 PowerPhase，一个面向电力系统的大规模概率预测基准，包含 6 个传输电网，通道数从 2000 到 36964，远超现有基准。该基准引入约束感知指标（如 Safety_mBrier、NECV、CVaR-α），以评估预测在安全约束下的表现。研究发现，分布准确性与约束满足之间存在“安全-保真度”权衡，不同模型在这两个维度上排名不同。作者进一步提出 PowerForge，一种基于场景的分位数预测器，采用类型特定的解码头和变量组间的因果桥，在所有电网规模上取得最佳平均排名。

论文概率预测电力系统安全约束

推荐理由：电力系统运维和预测建模团队终于有了能评估安全约束的基准——PowerPhase 比现有基准大一个数量级，PowerForge 在安全与精度间取得最佳平衡，做电网概率预测的可以直接参考。

原文

6月5日

12:37

官方账号arXiv cs.LG@Jef Jonkers, Glenn Van Wallendael, Luc Duchateau, Sofie Van Hoecke

精选

该论文提出了一种针对右删失生存数据的概率预测评分框架。传统评分规则（如CRPS、Brier分数）在事件时间仅部分观测时无法直接应用。作者通过将预测分布映射到删失机制下的观测数据分布，再应用标准评分规则，得到了局部化和边缘化的删失版本评分。该框架统一了删失似然和IPCW准则，并证明了在条件独立删失下评分的适当性。实验表明，该方法能正确排序预测模型，而基于插值的加权评分可能出现排序反转。

论文生存分析右删失数据概率预测

推荐理由：生存分析中右删失数据是常态，这篇论文为概率预测的评估提供了理论严谨的评分框架。做生存建模、临床试验或可靠性分析的团队，可以直接用这些评分来训练和评估模型，避免传统方法的偏差。

原文