热点事件持续更新

研究提出W-TQA在线共形预测方法

1 篇报道1 个报道来源3 小时前更新

先了解这件事

AI 综述

Daohong Tu 与 Kay Giesecke 提出加权时间分位数调整（W-TQA），将单元历史学习的相似度权重与自适应目标专属误覆盖率结合，用于部分观测面板中的在线共形预测。在合成面板和四个真实面板（含异步的美股至东京股市面板）上，W-TQA 在每个面板覆盖最差的目标单元上取得最高覆盖率。研究称相似度加权在目标反馈稀缺时贡献最大，时间自适应随反馈积累而增强。作者同时证明，目标与同伴的错配以及未揭示轮次的覆盖率均不可识别，因此跨单元相似性和反馈机制的假设无法回避。

AI 根据报道生成 · 1 小时前更新

最新进展10月7日 12:00

面向非可交换面板数据的在线共形预测：W-TQA 方法

报道时间线

沿着报道，了解事件的不同侧面。

10月7日

12:00
arXiv：cs.LG
面向非可交换面板数据的在线共形预测：W-TQA 方法
研究提出加权时间分位数调整（W-TQA），将单元历史学习的相似度权重与自适应目标专属误覆盖率结合，用于部分观测面板中的在线共形预测。在合成面板和四个真实面板（含异步的美股至东京股市面板）上，W-TQA 在每个面板覆盖最差的目标单元上取得最高覆盖率。相似度加权在目标反馈稀缺时贡献最大，时间自适应则随反馈积累而增强。

本事件热度走势

还没有足够的连续观测数据，暂不绘制趋势。