Multivariate Uncertainty Quantification with Tomographic Quantile Forests

doi:10.3390/mca31020053

Multivariate Uncertainty Quantification with Tomographic Quantile Forests

2026-04-01

0

PRE

AI

K

Kanazawa, Takuya *

DOI：10.3390/mca31020053

原文链接

原文求助

摘要

En 中文

量化预测不确定性对于安全可靠的实时AI部署至关重要。然而，对于多元目标的全非参数条件分布估计仍然具有挑战性。我们提出了体素化分位数森林（TQF），一种用于多元目标的无参数、不确定性感知、基于树的回归模型。TQF学习方向投影n的反向垂直y的条件分位数，作为输入x和方向n的函数。在推理阶段，它通过一个高效的交替方案聚合多个方向上的分位数，并通过凸子问题最小化切片Wasserstein距离来重建多元条件分布。与通常只产生凸分位数区域且需要为不同方向训练单独模型的经典方向-分位数方法不同，TQF用一个模型覆盖所有方向以重建完整的条件分布本身，自然地克服了任何凸性限制。我们在合成和真实数据集上评估了TQF，并在GitHub上发布了源代码。

Keyword:

random forest

uncertainty quantification

probabilistic prediction

tomography

quantile regression

Multivariate Uncertainty Quantification with Tomographic Quantile Forests

摘要

期刊

机构

引用论文