检测到您当前使用浏览器版本过于老旧,会导致无法正常浏览网站;请您使用电脑里的其他浏览器如:360、QQ、搜狗浏览器的极速模式浏览,或者使用谷歌、火狐等浏览器。
2023年6月,我院博士生粟永华、马文萱与导师严兴助理教授合作在IEEE Transactions on Pattern Analysis and Machine Intelligence (IEEE TPAMI)发表论文Ensemble Multi-Quantiles: Adaptively Flexible Distribution Prediction for Uncertainty Quantification (Early Access)。
论文概述
本文提出了一种新颖、简洁且有效的分布预测方法来量化机器学习中的不确定性。它能在回归任务中给出对分布P(y|X=""""""""x)的预测,且具有自适应灵活性。此条件分布的众多分位数(概率水平分布在区间(0,1)上)通过我们设计的加性模型来增强,且与深度学习结合时亦具有直观性和可解释性。我们寻求P(y|X=x)在结构完整性和灵活性之间的自适应平衡。传统方法中,高斯假设或其它参数分布族假设导致对实际数据缺乏灵活性,高度灵活的方法(例如,在没有分布结构的情况下分别估计不同分位数)不可避免地存在缺点,且无法产生好的泛化性能。我们提出的这种称为EMQ的集成多分位数方法完全是数据驱动的,可以逐渐脱离高斯分布并在Boosting中逐步发现最优的条件分布。在大量UCI数据集的回归任务中,我们与许多最近的不确定性量化方法对比,实现了先进的性能。可视化结果进一步说明了这种集成模型的必要性和优点。
发表页面
作者简介
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。研究领域包括金融机器学习、金融科技、风险管理、分布外泛化、不确定性学习等。已在JEDC、EJOR、NeurIPS、AAAI、ECCV等经济或运筹期刊以及AI会议发表多篇学术论文。
粟永华,中国人民大学统计与大数据研究院2019级博士生,主要研究方向为机器学习中的不确定性量化、概率预测等。
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。