PulseAugur
中
实时 09:00:04
Italiano(IT) Multi-Fidelity Quantile Regression

新方法利用多保真度数据增强分位数回归

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的两阶段多保真度分位数回归方法，旨在提高高保真度数据稀缺时分位估计的准确性。该方法利用局部分位数链接，基于在协变量相关水平上评估的低保真度分位数来表示高保真度分位数。这种重新表述旨在通过关注更平滑的水平函数来简化估计过程，并包含一个用于增强鲁棒性的校正步骤。对合成数据和真实世界数据的理论分析和实验结果表明，与仅使用高保真度数据相比，该方法可以实现更快的收敛速度和更精确的分位估计。 AI

影响 引入了一种新的统计技术，可以提高数据稀缺场景下预测模型的准确性。

排序理由 这是一篇在arXiv上发表的研究论文，详细介绍了一种新的统计方法。[lever_c_demoted from research: ic=1 ai=0.7]

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]

  1. arXiv stat.ML TIER_1 Italiano(IT) · Yixiang Liu, Yao Zhang ·

    多保真分位数回归

    arXiv:2605.10406v2 Announce Type: replace-cross Abstract: High-fidelity (HF) data are often expensive to collect and therefore scarce, making conditional quantiles difficult to estimate accurately. We propose a two-stage, model-agnostic method for multi-fidelity quantile regressi…

相关话题