Invariant probabilistic prediction
不变概率预测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。
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：摘要主要研究通用概率预测的分布变化鲁棒性，未估计因果效应，也未提供宏观或金融预测背景。
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…
不变概率预测
- 研究问题
- 训练与测试分布发生变化时，如何获得能够刻画结局不确定性的概率预测，哪些评价规则和分布变化允许不变性与鲁棒性？
- 方法与思路
- 作者在受因果思想启发的框架中分析适当评分规则，以高斯异方差线性模型研究限制分布变化后的识别，并提出估计方法。
- 材料陈述的贡献
- 摘要称任意分布变化通常无法支持不变且鲁棒的概率预测，提出通过选择评价规则和限制变化类别获得不变预测的方法。
- 阅读关注点
- 应核对不变性与鲁棒性的精确定义、评分规则的作用、允许的分布变化类别，以及参数一致性如何支持预测结论。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断对其他模型和变化机制的适用性；因果启发不自动构成因果效应识别，刊本变化未提供。
原文摘要
Summary In recent years, there has been growing interest in statistical methods that exhibit robust performance under distribution changes between training and test data. While most of the related research focuses on point predictions with the squared error loss, this article turns the focus towards probabilistic predictions, which aim to comprehensively quantify the uncertainty of an outcome variable given covariates. Within a causality-inspired framework, we investigate the invariance and robustness of probabilistic predictions with respect to proper scoring rules. We show that arbitrary distribution shifts do not, in general, admit invariant and robust probabilistic predictions, in contrast to the setting of point prediction. We illustrate how to choose evaluation metrics and restrict the class of distribution shifts to allow for identifiability and invariance in the prototypical Gaussian heteroscedastic linear model. Motivated by these findings, we propose a method for obtaining invariant probabilistic predictions and study the consistency of the underlying parameters. Finally, we demonstrate the empirical performance of our proposed procedure via simulations and analysis of single-cell data.