Prediction intervals for neural network models using weighted asymmetric loss functions

要約

近似および予測された傾向の予測間隔 (PI) を生成するための、シンプルで効率的なアプローチを提案します。
私たちの方法では、重み付けされた非対称損失関数を活用して、そのカバレッジ確率によって決定される重みを使用して PI の下限と上限を推定します。
この方法の簡潔な数学的証明を提供し、パラメータ化された関数の PI を導出するためにこの方法をどのように拡張できるかを示し、この方法が従属変数の PI の予測に機能する理由を説明します。
ニューラル ネットワーク ベースのモデルを使用した現実世界の予測タスクでのこの方法のテストでは、複雑な機械学習シナリオで信頼性の高い PI を生成できることが示されています。

要約(オリジナル)

We propose a simple and efficient approach to generate a prediction intervals (PI) for approximated and forecasted trends. Our method leverages a weighted asymmetric loss function to estimate the lower and upper bounds of the PI, with the weights determined by its coverage probability. We provide a concise mathematical proof of the method, show how it can be extended to derive PIs for parametrised functions and argue why the method works for predicting PIs of dependent variables. The presented tests of the method on a real-world forecasting task using a neural network-based model show that it can produce reliable PIs in complex machine learning scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google