Generative Quantile Bayesian Prediction
生成式分位数贝叶斯预测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：摘要聚焦通用机器学习预测分位数，因果推断仅作示例，未提供分布效应等细分的充分内容。
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…
生成式分位数贝叶斯预测
- 研究问题
- 面对大规模预测问题，直接学习预测分位数而非概率密度，并用生成方法构建分位数映射，能带来哪些理论和实践收益？
- 方法与思路
- 作者提出生成式分位数贝叶斯预测，以生成方法学习预测分位数映射，并与共形预测、信赖预测及边际似然方法比较。
- 材料陈述的贡献
- 摘要称直接学习分位数具有若干理论与实践优势，并在正态—正态学习和因果推断中示例，但没有列出具体保证。
- 阅读关注点
- 应核对生成式分位数映射的定义、贝叶斯更新与校准方式，以及与其他预测方法比较所用的标准和因果示例的作用。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核实；摘要未说明覆盖性质、算法细节或比较数值，无法确认所称优势的具体范围。
原文摘要
Prediction is a central task of machine learning. Our goal is to solve large scale prediction problems using Generative Quantile Bayesian Prediction (GQBP).By directly learning predictive quantiles rather than densities we achieve a number of theoretical and practical advantages. We contrast our approach with state-of-the-art methods including conformal prediction, fiducial prediction and marginal likelihood. Our distinguishing feature of our method is the use of generative methods for predictive quantile maps. We illustrate our methodology for normal-normal learning and causal inference. Finally, we conclude with directions for future research.