Neural Spline Search for Quantile Probabilistic Modeling
用于分位数概率建模的神经样条搜索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：摘要明确涉及分位数回归、条件分布建模及时间序列预测任务。
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…
用于分位数概率建模的神经样条搜索
- 研究问题
- 如何在不同输入特征与任意分位水平下灵活描述目标分布，减少预先选择参数分布形式对分位数建模的限制？
- 方法与思路
- 作者提出非参数、数据驱动的神经样条搜索，以符号算子引导的一系列单调样条回归变换输入，构建灵活的分布表示。
- 材料陈述的贡献
- 摘要称该方法在合成数据、真实回归和时间序列预测任务中优于既有方法，但未列出比较指标、基准设置与具体幅度。
- 阅读关注点
- 应核对分位函数的构造、单调性与分位数交叉处理、搜索和训练成本，以及预测比较是否采用一致的数据划分与评价标准。
- 阅读边界
- 所据为 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出误差保证、预测校准性质或足以验证性能优势的数值结果。
原文摘要
Accurate estimation of output quantiles is crucial in many use cases, where it is desired to model the range of possibility. Modeling target distribution at arbitrary quantile levels and at arbitrary input attribute levels are important to offer a comprehensive picture of the data, and requires the quantile function to be expressive enough. The quantile function describing the target distribution using quantile levels is critical for quantile regression. Although various parametric forms for the distributions (that the quantile function specifies) can be adopted, an everlasting problem is selecting the most appropriate one that can properly approximate the data distributions. In this paper, we propose a non-parametric and data-driven approach, Neural Spline Search (NSS), to represent the observed data distribution without parametric assumptions. NSS is flexible and expressive for modeling data distributions by transforming the inputs with a series of monotonic spline regressions guided by symbolic operators. We demonstrate that NSS outperforms previous methods on synthetic, real-world regression and time-series forecasting tasks.