Pinball loss minimization for one-bit compressive sensing: Convex models and algorithms
PulseAugur coverage of Pinball loss minimization for one-bit compressive sensing: Convex models and algorithms — every cluster mentioning Pinball loss minimization for one-bit compressive sensing: Convex models and algorithms across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架利用概率预测优化5G资源分配
研究人员开发了一个新的面向目标的概率预测框架，以优化5G网络中的资源分配。该方法使用Pinball Loss函数以及DeepAR和Temporal Fusion Transformers等模型，以更好地适应欠配置与过配置之间的不对称成本。在真实5G流量数据上的评估表明，与最小化MAE和RMSE等对称误差的传统方法相比，该方法可以降低运营成本并保持准确的不确定性估计。
-
新的SVM方法动态学习最优弹球损失参数
研究人员开发了一种新颖的数据驱动方法，用于弹性网络支持向量机（SVM），该方法动态选择最优弹球损失参数。该方法学习了单纯形约束的权重，以候选弹球损失为基础，有效地为单个分类器创建了数据依赖的参数。所提出的求解器展示了收敛性和中心化训练的数值等价性，实验验证了其预测行为和可扩展性。
-
TimesFM 2.5 凭借新功能增强时间序列预测能力
时间序列预测模型 TimesFM 2.5 已更新，加入了用于端到端工作流开发的先进功能。新版本支持回测、协变量集成、异常检测和可扩展部署。用户现在可以使用各种指标评估预测质量，并在不同场景下测试模型的鲁棒性，包括长周期预测和输入变化。
-
神经网络为bootstrap失效问题提供新方法
研究人员开发了一种新颖的摊销推断方法，使用神经网络来估计抽样分布，特别适用于传统Efron bootstrap方法失效的场景。这种新方法在模拟数据上进行训练，并利用pinball损失函数，可以从单个数据集中生成高精度的完整抽样分布估计。在估计极端分位数和尾部指数等各种具有挑战性的统计问题中，该方法与m-out-of-n bootstrap和子抽样等经典技术相比，表现出优越的性能。
-
新的arXiv论文探讨具有隐私和应用的高级分位数回归
arXiv上的两篇新研究论文介绍了先进的分位数回归技术。第一篇论文详细介绍了成对分位数回归，建立了理论保证，并展示了其在面部识别误差分析中的应用。第二篇论文提出了一种本地私有的在线分位数回归方法，能够在严格的隐私协议下进行估计和推断，模拟显示了其有效性，并以纽约市出租车行程为例进行了说明。