NGRC预测不确定性首次被讲透：贝叶斯与共形区间何时一致、何时分道扬镳！
Uncertainty Quantification of Next Generation Reservoir Computing with Applications to Memory-Driven Dynamical Systems
📖 AI 总结
该研究针对具有记忆特性的非线性动力系统，探讨了下一代储备池计算（NGRC）的不确定性量化问题，重点比较了贝叶斯岭回归与保形预测区间两种方法。研究发现，在低维情形下，两种区间的渐近宽度由残差分布的不同统计量决定，其一致性取决于残差形状而非单纯维度；在高维情形下，正则化引入估计方差、收缩偏差与后验不确定性之间的权衡，导致贝叶斯区间与保形区间在宽窄上出现明确的机制转换。作者进一步将结果推广至二次NGRC特征映射，并给出将分析迁移至时间相关预测窗口的充分条件。仿真与真实数据实验验证了理论预测，揭示了残差分布、正则化、维度及分布偏移对区间校准与效率的影响，为储备池预测中不确定性量化方法的选择与解释提供了理论框架。
🔑 关键词速览
| Next Generation Reservoir Computing (NGRC) | 一种高效的非线性动力系统预测方法，通过线性回归对由延迟嵌入构造的特征进行建模，兼具储备池计算的表达能力和训练简便性。 |
| Bayesian ridge | 贝叶斯岭回归，一种在贝叶斯框架下引入高斯先验的线性回归方法，可给出预测的后验分布及不确定性区间。 |
| Conformal prediction | 共形预测，一种无分布假设的不确定性量化框架，通过校准集构造具有有限样本覆盖保证的预测区间。 |
| Uncertainty quantification (UQ) | 不确定性量化，指对模型预测中各种来源的不确定性进行建模、估计和传播的过程，常用于评估预测可靠性。 |
| Distribution shift | 分布偏移，指训练数据与测试数据分布不一致的现象，可能导致预测区间校准失效或效率下降。 |
📱 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