Halo：通过异方差估计提高预测准确性

摘要

arXiv:2609.10589v1 Announce Type: new Abstract: Heteroscedastic forecasting, where a network estimates a scale parameter alongside a location parameter, is normally motivated by uncertainty quantifica...

the and network scale estimate for under forecasting estimates parameter

2026-09-12 1 阅读约1分钟阅读 Adam Cataldo

arXiv:2609.10589v1 公告类型：新摘要：异方差预测，即网络估计尺度参数和位置参数，通常是由不确定性量化驱动的。本文表明，与时间序列之外异方差估计的负面结果相比，它还改进了点估计。 Halo 是一种修改，它重用现有的深度预测器架构，为其隐含分布的规模提供第二个输出，并在匹配的负对数似然下对其进行训练。在高斯和拉普拉斯损失下采用三种最先进的模型——变压器、与变分自动编码器配对的图网络和单层卷积网络——证明了这种现象。在标准预测基准的五个电价市场上，Halo 在 30 个模型-市场-指标比较中的 28 个中提高了 MSE 和 MAE，将平均 MSE 降低了 2.6% 至 16.5%，平均 MAE 降低了 1.7% 至 11.0%。出现了两个发现：（1）规模估计是来自第二个投影头还是来自完全并行网络，远不如网络是否估计规模重要；（2）改进在已经针对点估计基线调整的超参数下保持不变，因此重新调整是可选的。

订阅66必读