Deep Huber quantile regression networks

要約

典型的な機械学習回帰アプリケーションは、2乗または絶対誤差スコアリング機能を使用したトレーニングを介して、予測確率分布の平均または中央値を報告することを目的としています。
予測確率分布のより多くの機能の予測を発行することの重要性（変分分と期待値）は、予測の不確実性を定量化する手段として認識されています。
ディープラーニング（DL）アプリケーションでは、これは、分位および期待される回帰ニューラルネットワーク（それぞれQRNNとERNN）を通じて可能です。
ここでは、QRNNとERNNをエッジケースとしてネストするディープフーバー分位回帰ネットワーク（DHQRN）を紹介します。
DHQRNは、分位数を制限するケースとして期待されるという意味で、より一般的な機能であるフーバー分位を予測できます。
主なアイデアは、Huber Phancearyの機能で一貫している、Huber分位スコアリング機能でDLアルゴリズムをトレーニングすることです。
概念実証として、DHQRNは、オーストラリアのメルボルンと米国ボストン（米国）の住宅価格を予測するために適用されます。
これに関連して、3つのDLアーキテクチャの予測パフォーマンスについて、2つの経済的ケーススタディの結果の証拠的解釈とともに説明します。
オープンデータセットを使用した実際のケーススタディへの追加のシミュレーション実験とアプリケーションは、DHQRNの満足のいく絶対パフォーマンスを示しています。

要約(オリジナル)

Typical machine learning regression applications aim to report the mean or the median of the predictive probability distribution, via training with a squared or an absolute error scoring function. The importance of issuing predictions of more functionals of the predictive probability distribution (quantiles and expectiles) has been recognized as a means to quantify the uncertainty of the prediction. In deep learning (DL) applications, that is possible through quantile and expectile regression neural networks (QRNN and ERNN respectively). Here we introduce deep Huber quantile regression networks (DHQRN) that nest QRNN and ERNN as edge cases. DHQRN can predict Huber quantiles, which are more general functionals in the sense that they nest quantiles and expectiles as limiting cases. The main idea is to train a DL algorithm with the Huber quantile scoring function, which is consistent for the Huber quantile functional. As a proof of concept, DHQRN are applied to predict house prices in Melbourne, Australia and Boston, United States (US). In this context, predictive performances of three DL architectures are discussed along with evidential interpretation of results from two economic case studies. Additional simulation experiments and applications to real-world case studies using open datasets demonstrate a satisfactory absolute performance of DHQRN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google