研究人员引入了一系列新的签名核指标,旨在更准确地评估概率时间序列预测模型,特别关注尾部事件和高实用性场景。传统的CRPS和分位数损失等指标由于关注分布的主体部分,常常对这些关键区域的错误不敏感。新指标通过折叠分布的主体部分,将评估集中在特定的关注区域,例如分布的尾部。在时间序列基础模型上的基准测试表明,整体分布的良好捕获并不总能转化为下游任务(如系统负荷预测)的高效用。为方便采用,已发布名为Efficient Signature Kernel (ESK) 的开源库,其速度比现有实现快得多。 AI
影响 引入了新颖的评估指标,可能带来更鲁棒、更可靠的概率预测模型,尤其是在关键尾部事件方面。
排序理由 学术论文,介绍了时间序列预测模型的新评估指标。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Benjamin R. Redhead
- Continuous Ranked Probability Score
- Efficient Signature Kernel
- GitHub
- Quantile Loss
- SigKernel
- Signature Kernel
- Systemic Load Prediction
- Time Series Foundation Models
- Triton
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →