English(EN) Out-of-Distribution generalization of quantile regression with heavy tailed inputs: an SVM approach

新的SVM框架增强了重尾数据的量化回归

作者 PulseAugur 编辑部 · [2 个来源] · 2026-05-29 18:52

研究人员开发了一种新的支持向量机（SVM）框架，以改进具有重尾输入的重尾数据的量化回归。该方法侧重于极端观测值的角度分量，以增强外推场景下的泛化能力。该框架专为高维和非线性数据设计，提供理论保证，并通过对河流流量数据的实证研究证明了其实际相关性。 AI

影响引入了一种新颖的统计学习框架，用于分析极端数据，有可能提高模型在专业应用中的鲁棒性。

排序理由该集群包含一篇详细介绍新统计学习方法的学术论文。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv stat.ML TIER_1 English(EN) · Baptiste Leroux, Cl\'ement Dombry, Anne Sabourin · 2026-06-02 04:00

具有重尾输入的量化回归的分布外泛化：一种SVM方法

arXiv:2606.00265v1 Announce Type: new Abstract: We study quantile regression in an extrapolation regime where the covariate takes unusually large values. Under regular variation assumptions, extreme observations can be effectively characterized through their angular components, e…
arXiv stat.ML TIER_1 English(EN) · Anne Sabourin · 2026-05-29 18:52

具有重尾输入的量化回归的分布外泛化：一种SVM方法

We study quantile regression in an extrapolation regime where the covariate takes unusually large values. Under regular variation assumptions, extreme observations can be effectively characterized through their angular components, enabling learning strategies that focus on the an…