Conformalized Quantile Regression
PulseAugur coverage of Conformalized Quantile Regression — every cluster mentioning Conformalized Quantile Regression across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的BEiTScore++指标提供具有不确定性感知的图像描述评估
研究人员推出了BEiTScore++,这是一种用于评估图像描述的增强型指标,它包含不确定性估计。这个新指标基于BEiTScore,通过使用BEiT-3和共形分位数回归,在对齐分数的同时提供校准的置信区间。BEiTScore++旨在通过对人类判断的预测分布进行建模,提供更强大的评估工具,从而在单次通过中实现准确评分和不确定性量化。
-
新的SentryVLA框架提高了机器人控制的可靠性
研究人员开发了SentryVLA,一个旨在提高用于机器人控制的视觉-语言-动作(VLA)模型可靠性的新框架。该系统作为一个运行时包装器运行,为生成的动作提供不确定性估计,并监控执行状态,而无需修改底层的VLA策略。SentryVLA采用共形分位数回归进行动作选择,并采用基于马氏距离的异常分数进行状态监控,在模拟和物理机器人实验中均表现出改进的性能。
-
迁移学习提高了数据稀疏性下太阳能光伏预测的准确性
一篇新的研究论文提出了一种结合共形分位数回归(CQR)的迁移学习框架,以改进太阳能光伏(PV)发电预测,特别是在因负载中断导致历史数据稀缺的地区。通过在澳大利亚爱丽斯泉的数据上预训练模型,然后将其应用于模拟的孟加拉国光伏数据,该研究显示出显著的改进。迁移学习方法在使用仅一个月的目标数据的情况下,将RMSE降低了高达23.7%,并实现了94.3%的经验覆盖率和更窄的预测区间。
-
新框架为图值AI预测提供不确定性量化
研究人员开发了一个新的共形预测框架,专为图值输出设计,可在复杂的结构化输出空间中提供无分布的覆盖保证。该方法利用Z-Gromov-Wasserstein距离,特别是通过融合Gromov-Wasserstein (FGW) 实现,以一种排列不变的方式比较预测图和候选图。为了实现自适应预测集,该方法将共形分位数回归 (CQR) 扩展到一种称为分数共形分位数回归 (SCQR) 的新方法,该方法适用于图值输出。该框架的有效性已在合成数据和涉及…
-
机器学习提高风电预测精度
研究人员开发了先进的机器学习技术来提高风电预测的准确性。对保形分位数回归、自然梯度提升和条件扩散模型与基于树的方法结合的比较分析表明,与确定性基线相比,平均绝对误差显著降低。条件扩散模型取得了最佳性能,与概率性基线相比,平均绝对误差提高了 5%,连续秩概率得分提高了 12%。此外,使用天气集合而非单一提供商可将点预测精度平均提高 17%。
-
机器学习增强数据同化中的不确定性量化
一篇新的研究论文探讨了共形预测(CP)这一机器学习技术在数据同化中,特别是在数值天气预报中的不确定性量化应用。该研究使用了一个理想化的浅水模型,将三种CP变体与传统的基于集合的方法进行了比较评估。研究人员调查了CP得出的不确定性估计如何整合到数据同化周期中,并强调了CP在补充现有不确定性量化方法方面的优势和局限性。