Extreme quantile regression with deep learning
结合深度学习的极端分位数回归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：摘要以极端条件分位数估计为核心，并明确面向统计金融等领域的尾部风险管理。
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
结合深度学习的极端分位数回归
- 研究问题
- 当目标条件分位数超出历史观测范围，且协变量维度也很高时，如何利用极值理论与深度学习开展有理论依据的尾部外推？
- 方法与思路
- 本章综述具有理论依据的极端分位数回归模型，讨论如何结合现代深度学习处理复杂高维关系，以服务自然灾害及金融等风险评估。
- 材料陈述的贡献
- 摘要所述贡献是梳理极值方法与深度学习的结合路径，讨论协变量维度和目标分位水平同时极端时的条件分位数估计。
- 阅读关注点
- 应核对尾部模型与外推假设、阈值选择、深度学习拟合对象，以及综述所涵盖方法对估计误差和不确定性提供何种保证。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；这是综述章节，摘要未明确提出新估计量或给出性能改善数值。
原文摘要
Estimation of extreme conditional quantiles is often required for risk assessment of natural hazards in climate and geo-environmental sciences and for quantitative risk management in statistical finance, econometrics, and actuarial sciences. Interest often lies in extrapolating to quantile levels that exceed any past observations. Therefore, it is crucial to use a statistical framework that is well-adapted and especially designed for this purpose, and here extreme-value theory plays a key role. This chapter reviews how extreme quantile regression may be performed using theoretically-justified models, and how modern deep learning approaches can be harnessed in this context to enhance the model's performance in complex high-dimensional settings. The power of deep learning combined with the rigor of theoretically-justified extreme-value methods opens the door to efficient extreme quantile regression, in cases where both the number of covariates and the quantile level of interest can be simultaneously ``extreme''.