Quantile Loss
PulseAugur coverage of Quantile Loss — every cluster mentioning Quantile Loss across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的签名核指标改进了概率时间序列预测的评估
研究人员引入了一系列新的签名核指标,旨在更准确地评估概率时间序列预测模型,特别关注尾部事件和高实用性场景。传统的CRPS和分位数损失等指标由于关注分布的主体部分,常常对这些关键区域的错误不敏感。新指标通过折叠分布的主体部分,将评估集中在特定的关注区域,例如分布的尾部。在时间序列基础模型上的基准测试表明,整体分布的良好捕获并不总能转化为下游任务(如系统负荷预测)的高效用。为方便采用,已发布名为Efficient Signature Ke…
-
新研究重新审视表格数据的深度学习回归目标
一篇新的研究论文重新审视了表格数据的深度学习回归目标,发现虽然分位数损失(Quantile Loss)相比均方误差(MSE)提供了持续的改进,但单一的全局提前停止点仍然会限制性能。该研究通过使用与输入相关的标签平滑(input-dependent label smoothing)来引入分位数损失的异方差感知扩展(heteroskedasticity-aware extension),以解决这一局限性。该研究提供了表格深度学习回归目标的…
-
新的时间序列基础模型应对零样本预测和尺度不变性
研究人员推出了一种新颖的多变量时间序列基础模型 Timer-M1,该模型通过学习时间与关系原语来设计用于零样本预测。该模型利用基于原语的数据合成和预训练流程,并结合了门控二维 Transformer 块来实现动态跨变量注意力。同时,另一项研究提出了面向时间序列基础模型的尺度不变性训练 (ScaleIn),以解决尺度污染训练 (ScaleCon) 问题,在这种问题中,尺度较大的序列会对模型产生不成比例的影响。ScaleIn 旨在通过确保…