Auxiliary Quantile Forecasting with Linear Networks
利用线性网络进行辅助分位数预测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究时间序列的多期限分位数预测，属于预测与时间序列方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用线性网络进行辅助分位数预测
- 研究问题
- 在多步时间序列预测中，共享线性层并把其他分位数作为辅助任务，能否利用预测期限和分位数之间的联系改善预测表现？
- 方法与思路
- 作者将均匀分布抽样得到的分位水平与输入时间序列表示结合，使用共享线性层联合预测多个期限和多个分位数。
- 材料陈述的贡献
- 摘要称辅助分位数任务可改善多个分位数的预测精度，并在所用确定性预测基准上取得较好的中位数主任务预测表现。
- 阅读关注点
- 应核对辅助分位水平的抽样与损失权重、预测期限的共享结构、基准和评价指标，以及分位数交叉和预测校准情况。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未给出具体精度和不确定性校准结果，中位数表现不能代表所有分位数均可靠。
原文摘要
We propose a novel multi-task method for quantile forecasting with shared Linear layers. Our method is based on the Implicit quantile learning approach, where samples from the Uniform distribution $\mathcal{U}(0, 1)$ are reparameterized to quantile values of the target distribution. We combine the implicit quantile and input time series representations to directly forecast multiple quantile estimations for multiple horizons jointly. Prior works have adopted a Linear layer for the direct estimation of all forecasting horizons in a multi-task learning setup. We show that following similar intuition from multi-task learning to exploit correlations among forecast horizons, we can model multiple quantile estimates as auxiliary tasks for each of the forecast horizon to improve forecast accuracy across the quantile estimates compared to modeling only a single quantile estimate. We show learning auxiliary quantile tasks leads to state-of-the-art performance on deterministic forecasting benchmarks concerning the main-task of forecasting the 50$^{th}$ percentile estimate.