AITOP

CRPS

共 4 条相关 AI 资讯
8月21日
10:00
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12日
16:46
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
8月11日
11:00
11:00官方账号arXiv cs.LG@Jian Xu
该研究指出，许多生成式时序模型基准数据集中，单一值（如零降雨、零订单）占据大量概率质量。标准滚动起点协议可能导致评估窗口与数据集结构严重不符，例如某基准数据集中42%为零，而评估窗口仅13%。这种不匹配甚至逆转了研究结论，使最强模型看似失败。研究者提出一种CRPS不变的对照方法，以衡量时间耦合对统计量的贡献。在五个种子上对七种模型进行匹配协议测试，自回归hurdle模型在六个数据集中的五个上优于条件流模型，最高提升153倍，而流的出现统计量在不同种子间变化高达62%。五种不同出现统计量下模型排序不一致，且构造不同的两种统计量一致性最差。
论文时序模型CRPS评估协议
推荐理由：这篇论文戳破了时序模型评估的常见坑，用具体数字说明评估协议能颠倒结论，搞时序生成的人都该看看。
原文
6月5日
12:37
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