二进制缩放是否能提高机器学习回归中预测不确定性的一致性和适应性?
原文中文,约300字,阅读约需1分钟。发表于: 。Binwise Variance Scaling 是一种用于机器学习回归问题的后期校准方法,通过改进的 uncertainty-based binning 和替代性损失函数以及基于输入特征 (X) 的分组方案,从而提供更高效的校准条件和改善预测不确定性,此外,作者还与 isotonic regression 进行了比较测试。
该文介绍了一种新算法TruVaR,能同时处理基于高斯过程的贝叶斯优化和水平集估计。TruVaR通过贪婪收缩和置信度边界更新,有效处理单点成本和异方差噪声。作者提供了TruVaR的理论保证,并用其恢复和加强了有关BO和LSE的现有结果。该算法在合成和真实数据集上展示了其有效性。