English(EN) Learning with the Nash-Sutcliffe loss

新的 Nash-Sutcliffe 损失为时间序列预测提供了决策论基础

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-07 04:00

研究人员开发了一个新的统计框架来评估时间序列预测，引入了“Nash-Sutcliffe 损失”作为广泛使用的 Nash-Sutcliffe 效率（NSE）的决策论基础。该新损失函数 $L_{ ext{NS}} = 1 - ext{NSE}$ 被证明对于可提取和可识别的多维函数是严格一致的。该研究还提出了 Nash-Sutcliffe 线性回归，一种通过最小化平均 $L_{ ext{NS}}$ 来估计的模型，这简化为数据加权最小二乘法。这项工作为基于 NSE 的模型估计和预测评估建立了理论基础，特别是对于大型数据集和全局机器学习模型非常有益。 AI

影响为预测评估奠定了理论基础，有望提高机器学习模型在时间序列分析中的性能。

排序理由该集群包含一篇学术论文，详细介绍了时间序列预测的新统计方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Hristos Tyralis, Georgia Papacharalampous · 2026-07-07 04:00

使用 Nash-Sutcliffe 损失进行学习

arXiv:2603.00968v2 Announce Type: replace Abstract: The Nash-Sutcliffe efficiency ($\text{NSE}$) is a widely used, positively oriented relative measure for evaluating forecasts across multiple time series. However, it lacks a decision-theoretic foundation for this purpose. To add…

报道来源 [1]

使用 Nash-Sutcliffe 损失进行学习

相关话题