Deep Distributional Learning with Non-crossing Quantile Network
利用非交叉分位数网络进行深度分布学习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：摘要的核心是条件分布学习、非参数分位数回归及分位数非交叉约束，直接对应分位数与分布方向。
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…
利用非交叉分位数网络进行深度分布学习
- 研究问题
- 如何学习条件分布并避免不同分位数估计发生交叉，同时让模型适用于分位数回归与分布式强化学习等任务？
- 方法与思路
- 作者提出非交叉分位数网络，利用非负激活函数保持所学习分布的单调性，并构建相应深度分布学习框架。
- 材料陈述的贡献
- 摘要称建立了深度估计器及其分布式强化学习应用的理论基础，实验展示了网络的稳健性与多任务适用性。
- 阅读关注点
- 应核对单调性的具体网络约束、理论误差界与适用条件，以及实验如何比较分位数精度、分布拟合和训练稳定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明理论条件和实验数值，提及因果应用不等于提供识别依据。
原文摘要
In this paper, we introduce a non-crossing quantile (NQ) network for conditional distribution learning. By leveraging non-negative activation functions, the NQ network ensures that the learned distributions remain monotonic, effectively addressing the issue of quantile crossing. Furthermore, the NQ network-based deep distributional learning framework is highly adaptable, applicable to a wide range of applications, from classical non-parametric quantile regression to more advanced tasks such as causal effect estimation and distributional reinforcement learning (RL). We also develop a comprehensive theoretical foundation for the deep NQ estimator and its application to distributional RL, providing an in-depth analysis that demonstrates its effectiveness across these domains. Our experimental results further highlight the robustness and versatility of the NQ network.