中山网站制作服务怎样让网站响应式

中山网站制作服务,怎样让网站响应式,装饰网站建设的方案ppt,聚名网域名注册论文标题#xff1a;Neural Conformal Control for Time Series Forecasting论文链接#xff1a;https://arxiv.org/abs/2412.18144什么是共形预测#xff1f;01 概念与内涵读本文之前#xff0c;我也没有了解过“共形”预测的概念#xff0c;所以特意查了资料。共形预测Neural Conformal Control for Time Series Forecasting论文链接https://arxiv.org/abs/2412.18144什么是共形预测01 概念与内涵读本文之前我也没有了解过“共形”预测的概念所以特意查了资料。共形预测Conformal Prediction, CP是一种在任意预测模型之上构建的不确定性量化框架。通过计算样本的“非一致性分数”衡量预测值与真实值的差异并结合校准数据集的统计分布在给定置信水平 (1−α) 下生成一个预测区间或预测集合从而保证真实结果落在其中的概率不低于 (1−α)。02 传统预测的区别听起来很复杂对比一下普通预测结果就很容易理解了。普通预测通常只输出一个点预测如预测气温 25℃但是难以衡量结果的不确定性而共形预测则输出一个区间或集合如预测气温在 [23℃, 28℃] 内置信度 95%既提供预测结果也提供置信水平从而让预测更稳健、更可信。这种对区间和置信度的刻画在某些医学、金融等领域非常重要因为我们不仅需要知道预测值的大小还希望量化预测值可信度。共形预测的难点第一个难点在于时间序列数据的特殊性传统 CP 假设数据可交换时序数据可能存在分布漂移和时间依赖性导致覆盖保证失效。第二是在实际应用方面小样本学习能力弱预测区间一致性不足还是分布一致性的问题。本文模型NCCNeural Conformal Control一言以蔽之NCC 构建了端到端的框架下面从三个方面介绍。模型01 模型结构含保形控制循环与多视图数据编码器两大模块共形控制循环处理历史共形信号覆盖误差、分位数、非保形得分通过 GRU 编码时序特征经多头注意力融合为联合嵌入向量再输入 MLP含 ReLU 层输出非负的中间分位数。多视图数据编码器针对不同模态数据设计专用编码器GRU 处理时序数据、GCN 处理图数据、前馈网络处理静态数据通过多头注意力融合多视图嵌入向量提升对分布偏移的感知能力。02 损失函数设计设计三类损失函数协同优化模型平衡覆盖保证、区间稳定性与效率03 关键优化保证区间一致性与理论覆盖分布一致性优化训练时加单调性损失强制 “误差率越小置信度越高分位数越大区间越宽”测试时通过 TTA 调整分位数直至分布一致性得分DCS达标解决区间交叉问题。长期覆盖保证通过 “保形化步骤”将中间分位数与动态调整项结合生成最终分位数。理论证明当预测步数足够大时NCC 的长期覆盖误差趋近于目标误差率覆盖概率符合预期置信水平。实验总结上图对比了 NCC 与 NEXCP、CF-RNN、ACI、C-PID 四种基准时间序列共形预测方法在 covid-19、flu、weather、electric、smd 五个真实数据集及不同预测步长下的校准得分CS和加权区间得分WIS其中 NCC 用红色线条突出显示周围粉色阴影代表误差边际结果显示 NCC 在所有数据集上的 CS 均最优且除 smd 数据集外在其余四个数据集上的 WIS 均达到或接近最优同时 NCC 的 CS 曲线在长预测步长下仍保持平缓体现出优于基准方法的校准稳定性与区间实用性。上图中四个子图从不同维度验证了 NCC 的优势子图 (a) 通过 DCS 与 CS 的散点对比显示 NCC 在 “高分布一致性DCS” 与 “低校准偏差CS” 间实现平衡避免了其他方法如 C-PID“适应性强则一致性差” 的矛盾子图 (b) 统计各方法 CS 最优的数据集数量证明 NCC 无论搭配 seq2seq、Informer 还是 Theta 基预测器均在至少 4 个数据集上表现最优子图 (c) 在 covid-19 少样本场景中展现 NCC 的 CS 快速降至 0.1 以下远超基准方法的少样本学习能力子图 (d) 通过 NCC、NCC-T无 TTA、NCC-M无 TTA 与单调性损失的 DCS 对比验证了单调性损失与 TTA 对提升预测区间分布一致性的关键作用。结论与未来方向本文是首个端到端深度学习共形控制框架用神经网络捕捉时间模式结合多视图数据提升适应性无需强分布假设。实用优化通过单调性损失与 TTA 解决分位数交叉满足 CDC 等机构的区间一致性要求设计控制启发式损失兼顾覆盖稳定性与区间效率。1. 局限性区间宽度问题在部分数据集上NCC 的预测区间略宽于基准方法因多目标损失校准、一致性、效率可能导致效率损失权重被低估。超参数敏感性模型性能对部分超参数如损失函数中的K、学习率\(\eta\)敏感需通过贝叶斯优化调参增加使用复杂度。2. 未来方向损失平衡优化探索自适应权重策略平衡校准、一致性与区间效率提升对复杂分布偏移的适应能力。大家可以关注我【科学最top】第一时间follow时序高水平论文解读获取时序论文合集