只需加个尺度输出，预测精度最高飙升16.5%！
Halo: Improving forecast accuracy through heteroscedastic estimation
📖 AI 总结
本文提出Halo方法，通过异方差估计提升时间序列预测精度。传统异方差预测通常用于不确定性量化，而该研究证明其还能改善点估计，这与在非时间序列任务中异方差估计的负面结果形成对比。Halo在现有深度预测器架构上增加一个输出，用于估计隐含分布的尺度参数，并以匹配的负对数似然进行训练。作者在三种先进模型（Transformer、图网络结合变分自编码器、单层卷积网络）上分别采用高斯和拉普拉斯损失进行验证，在标准基准的五个电价市场上，30组模型-市场-指标对比中有28组改善了MSE和MAE，平均MSE降低2.6%至16.5%，平均MAE降低1.7%至11.0%。研究还发现，尺度估计来自第二个投影头还是完整并行网络影响不大，关键在于网络是否估计尺度；且改进在原点估计基线已调优的超参数下依然成立，无需重新调参。
🔑 关键词速览
| 异方差预测 | 网络同时估计位置参数和尺度参数，以捕捉数据中方差变化的不确定性。 |
| Halo | 一种通过复用现有深度预测器架构并增加尺度输出，在负对数似然下训练以改进点估计的方法。 |
| 负对数似然 | 一种损失函数，用于衡量模型预测分布与真实数据分布的匹配程度，常用于概率预测。 |
| MSE | 均方误差，衡量预测值与真实值之间平方差异的平均值，是常用的点预测评估指标。 |
| MAE | 平均绝对误差，衡量预测值与真实值之间绝对差异的平均值，对异常值更稳健。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅