新的PATH方法改进了表格数据的区间预测

研究人员开发了PATH，一种利用自回归树层次结构对表格数据进行区间预测的新颖方法。该方法模拟了区间的层次结构几何，学习概率质量如何从较大的区间流向较小的、嵌套的区间。通过将学习与提取对齐，PATH精炼了概率分布，以生成更短、更准确的预测区间。在包含56个OpenML回归数据集的PATHBench数据集上的评估中，PATH显著优于24种基线方法，实现了0.1473的平均归一化长度，同时保持了0.9144的平均覆盖率。 AI

影响 这项研究引入了一种用于表格数据区间预测的新颖方法，有可能提高机器学习模型中不确定性估计的准确性和效率。

排序理由 该集群包含一篇详细介绍表格数据预测新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• OpenML
• PATH
• PATHBench
• ScienceCast

• 论文
• 其他

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