Methode verbetert voorspellingsnauwkeurigheid via onzekerheid
Een nieuwe aanpassing genaamd Halo verbetert de nauwkeurigheid van diepe voorspellingsmodellen door heteroscedastische schatting toe te passen. Hierbij berekent het netwerk naast de reguliere locatie ook de schaal van de onzekerheid.
Onderzoekers hebben een aanpassing gepresenteerd die de prestaties van bestaande voorspellingsmodellen op basis van neurale netwerken vergroot. De methode, aangeduid als Halo, laat een netwerk niet alleen een hoofdschatting produceren, maar brengt tegelijkertijd de schaal van de onderliggende distributie in kaart.
Hoewel heteroscedastische schattingen doorgaans worden ingezet om onzekerheid te kwantificeren, tonen de onderzoekers aan dat het ook de puntvoorspelling zelf ten goede komt. Dit resultaat wijkt af van eerdere bevindingen in andere domeinen buiten tijdreeksanalyse.
Het trainen gebeurt via aangepaste verliesfuncties, waarbij de architectuur van reeds bestaande modellen hergebruikt kan worden. Dit soort optimalisaties zijn relevant voor tijdreeksvoorspellingen in uiteenlopende sectoren zoals financiën, logistiek en meteorologie.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.LG). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel