我院博士生马文萱与导师严兴助理教授合作在IEEE TNNLS发表高水平论文

我院博士生马文萱与导师严兴助理教授、张琨助理教授合作在IEEE Transactions on Neural Networks and Learning Systems (TNNLS)发表论文Improving Uncertainty Quantification of Variance Networks by Tree-Structured Learning (Early Access)。

论文概述

为了提高方差网络的不确定性量化，本文提出了一种新颖的树结构局部神经网络模型，该模型根据不确定性异质性将特征空间划分为多个区域。树是基于训练数据构建的，其叶节点代表不同的区域，在每个区域中我们训练单独的神经网络来预测标签均值和方差以量化不确定性。所提出的不确定性划分神经回归树（USNRT）采用了新的节点划分标准。在每个节点，首先在完整数据上训练神经网络，然后对残差进行统计测试以找到最佳分割，使两个子区域之间的不确定性异质性最显著。USNRT 计算友好，因为很少的叶节点就足够了，并且不需要剪枝。此外，可以轻松构建集成模型来估计总体不确定性，包括偶然意义上的和认知意义上的。在广泛的 UCI 数据集上，与一些最近流行的利用方差量化不确定性的方法相比，USNRT 及其集成版本显示出十分优越的性能。通过全面的可视化分析，我们揭示了 USNRT 的工作原理并展示了其优点。我们发现许多数据集中都确实存在不确定性异质性，并且可以通过 USNRT 来学习到。

发表页面

作者简介

马文萱，中国人民大学统计与大数据研究院2020级博士生，主要研究方向为不确定性量化、树模型、实证资产定价等。研究论文发表于IEEE TPAMI等。

严兴，中国人民大学统计与大数据研究院助理教授、博士生导师。研究领域包括机器学习、金融科技、商业分析、分布外泛化、不确定性量化等。已在JEDC、EJOR、IEEE TPAMI、NeurIPS、AAAI、ECCV等经济、运筹、AI期刊或会议发表多篇学术论文。

张琨，中国人民大学统计与大数据研究院助理教授、博士生导师。研究领域包括随机模拟、机器学习、金融工程和风险管理。已在Operations Research、European Journal of Operational Research、Naval Research Logistics、Operations Research Letters等期刊发表多篇学术论文。