Conformalized Quantile Regression
PulseAugur coverage of Conformalized Quantile Regression — every cluster mentioning Conformalized Quantile Regression across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
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。