Multivariate Uncertainty Quantification with Tomographic Quantile Forests
Kobe Gakuin University（神户学院大学）
本文提出Tomographic Quantile Forests，一种非参数、不确定性感知的树回归模型，用于多变量目标的条件分布估计，通过多方向量化聚合和 sliced Wasserstein 距离最小化实现多变量分布重建。
2026-04-01 cs.LG stat.ML
Bet on Features: Anytime-Valid and Feature-Aware Auditing of Conditional Quantile Forecasters
Julius-Maximilians-Universität Würzburg（维尔茨堡大学朱利叶斯 - 马克西米利安斯大学）；Zaragoza Logistics Center（萨拉戈萨物流中心）；INSEAD（欧洲工商管理学院）
研究针对黑箱条件分位数预测器，开发无分布且基于博弈论的测试框架，通过形式化校准概念、识别可实现功效的替代方案集，得出有限时间检测保证，能在特征层面解释证据过程，实证发现流行预测器存在校准错误。
2026-10-30 cs.LG stat.ML
Deep Generative Quantile-Copula Models for Probabilistic Forecasting
Amazon（亚马逊）
我们介绍了一类新的多变量条件生成模型，并证明其性能和通用性的概率时间序列预测和模拟。具体地说，分位数回归网络的输出通过从潜在均匀分布到目标分布的单变量映射从一组固定分位数扩展到整个分位数函数。然后，通过学习每个维度的边缘分布的分位数函数，然后估计条件Copula来关联这些潜在的均匀随机变量，来解决多变量的情况。分位数函数和copula一起定义联合预测分布，可以通过单个隐式生成深度神经网络来参数化。
2019-07-24 cs.LG stat.ML
Beyond expectation: Deep joint mean and quantile regression for spatio-temporal problems
Technical University of Denmark (DTU)（丹麦技术大学）；Massachusetts Institute of Technology (MIT)（麻省理工学院）
时空问题是一个普遍存在的问题，在许多研究领域都具有重要意义。尽管深度学习方法在建模时空数据方面已经展示了潜力，但典型的方法往往只关注被建模的输出变量的条件期望。在本文中，我们提出了一种多输出多分位数深度学习方法，用于联合建模多个条件分位数以及条件期望，作为一种提供时空问题中预测密度更完整的“图片”的方法。使用两个大规模的数据集从运输领域，我们的经验表明，通过接近分位数回归问题，从多任务学习的角度来看，有可能解决尴尬的分位数交叉问题，同时显着优于最先进的分位数回归方法。此外，我们表明，联合建模的平均值和几个条件分位数不仅提供了一个丰富的描述的预测密度，可以捕获异方差属性在一个可忽略的计算开销，但也导致改善预测的条件期望由于额外的信息和正则化效应引起的增加分位数。
2018-08-27 cs.LG cs.NE stat.ML
Quantile Off-Policy Evaluation via Deep Conditional Generative Learning
North Carolina State University（北卡罗来纳州立大学）；London School of Economics and Political Science（伦敦政治经济学院）；ByteDance（字节跳动）；University of Miami（迈阿密大学）
脱离策略评估（OPE）涉及使用由潜在不同的行为策略生成的离线数据来评估新的目标策略。它在从医疗保健到技术行业的许多顺序决策问题中至关重要。现有文献中的大多数工作都集中在评估给定政策的平均结果，而忽略了结果的可变性。然而，在各种应用中，除了平均值之外的标准可能更合理。例如，当奖励分布是偏斜和不对称的时，基于分位数的度量通常因其鲁棒性而被首选。本文提出了序贯决策中分位数OPE的双鲁棒推理方法，并研究了其渐近性质。特别是，我们建议利用最先进的深度条件生成学习方法来处理参数相关的滋扰函数估计。我们通过模拟和来自短视频平台的真实世界数据集展示了该估计器的优势。特别是，我们发现，我们提出的估计优于经典的OPE估计的均值设置重尾奖励分布。
2022-12-29 cs.LG stat.ML
Evaluating Dynamic Conditional Quantile Treatment Effects with Applications in Ridesharing
DiDi Chuxing（滴滴出行）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Shanghai University of Finance and Economics（上海财经大学）；London School of Economics and Political Science（伦敦政治经济学院）
本文针对网约车平台时空序列决策数据，提出了动态条件分位数处理效应（CQTE）的评估框架，证明其等于各时间段个体CQTE之和，并引入变系数决策过程模型及创新检验方法，有效简化了因果估计与推断。
2023-05-17 cs.LG stat.ME stat.ML
Improved conformalized quantile regression
University of Aveiro（阿威罗大学）
针对保形分位数回归单一保形步骤缺乏自适应性的问题，提出基于排列重要性加权解释变量的优化k-means聚类并执行k个保形步骤，在开放数据集上验证其更适应异方差且优于经典方法。
2022-11-06 cs.LG stat.ML
Big portfolio selection by graph-based conditional moments method
Shanghai University of Finance and Economics（上海财经大学）；University of Hong Kong（香港大学）
如何进行大投资组合选择是一个重要的问题，但对研究者和实践者来说都是一个挑战。在本文中，我们提出了一个新的基于图的条件矩（GRACE）方法来做投资组合选择的基础上，成千上万的股票或更多。GRACE方法首先通过因子增强的时间图卷积网络学习股票收益率的条件分位数和均值，该网络通过由来自领域知识的股票到股票关系集以及来自资产定价知识的因子到股票关系集构建的因子超图来指导学习过程。接下来，GRACE方法通过使用分位数条件矩（QCM）方法从学习到的条件分位数学习股票收益率的条件方差、偏度和峰度。QCM方法是一种有监督的学习过程来学习这些条件高阶矩，因此它在很大程度上克服了经典高维GARCH类方法的计算困难。此外，QCM方法允许在建模条件分位数在一定程度上，由于其回归为基础的性质的错误规范。最后，GRACE方法使用学习到的条件均值、方差、偏度和峰度来构造几个绩效指标，这些指标是对股票进行排序的标准，以在著名的10-decile框架中进行投资组合选择。NASDAQ和NYSE股票市场的应用程序表明，GRACE方法的性能远远优于其竞争对手，特别是当性能指标是由条件方差，偏度和峰度。
2023-01-27 cs.LG stat.ML
Super-Level-Set Regression: Conditional Quantiles via Volume Minimization
Sierra team, Inria Paris, France（Inria巴黎研究所）
本文提出超水平集回归，通过直接优化几何边界，解决多变量回归中构造满足条件覆盖的最小体积预测区域的挑战，替代传统密度估计方法。
2026-05-07 cs.AI cs.LG stat.AP
On Estimation of Conditional Modes Using Multiple Quantile Regressions
当条件变量为高维时，我们提出了一种条件模式的估计方法。在所提出的方法中，我们首先通过多次求解分位数回归来估计条件密度。然后，我们通过找到估计的条件密度的最大值来估计条件模式。所提出的方法有两个优点，它是计算稳定的，因为它没有初始参数的依赖性，它是统计有效的，具有快速的收敛速度。合成和真实世界的数据实验表明，所提出的方法相比，其他现有的更好的性能。
2017-12-23 math.ST stat.ME stat.ML
Robust Local Scaling using Conditional Quantiles of Graph Similarities
邻域图的谱分析是用于探索性数据分析的最广泛使用的技术之一，其应用范围从机器学习到社会科学。在这样的应用中，通常首先使用适当的相似性函数对数据样本之间的关系进行编码。流行的邻域构造技术，如k-最近邻（k-NN）图是已知的是非常敏感的参数的选择，更重要的是易受噪声和不同的密度。在本文中，我们提出了使用分位数分析，以获得局部规模估计的邻域图的建设。为此，我们建立了一个自动编码的神经网络方法来推断条件分位数的相似性函数，随后用于获得强大的估计的局部尺度。除了对噪声或离群数据具有很强的弹性外，所提出的方法不需要像现有的几种方法那样进行广泛的参数调整。使用谱聚类和单示例标签传播中的应用，我们表明，建议的邻域图优于现有的局部缩放图的构造方法。
2016-12-14 stat.ML
Conditional Outcome Equivalence: A Quantile Alternative to CATE
提出条件分位数比较器（CQC）作为CQTE的替代方案，结合CATE和CQTE的优点，保留处理分布信息并利用辅助估计量的简单性，理论证明和数值实验表明其估计更准确，能揭示不同分位数间的效应异质性。
2024-10-16 stat.ME stat.ML
Non-Crossing Deep Quantile Regression for Distributional Survival Prediction
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；The Hong Kong Polytechnic University（香港理工大学）
该研究针对生存分析中现有分位数回归方法的交叉问题，提出CNQ框架，结合Kolmogorov-Arnold与Transformer骨干，在模拟和临床数据上表现更优，可恢复生存分布上变化的协变量效应。
2026-08-18 cs.LG stat.AP stat.ML
Quantile Regression using Random Forest Proximities
BlackRock, Inc.（贝莱德集团）
本文提出利用随机森林学习到的邻近度推断目标变量条件分布的新分位数回归方法，在条件分布和预测区间近似上优于QRF，且计算效率显著更高。
2024-08-05 cs.LG q-fin.ST q-fin.TR
Bayesian Quantile Matching Estimation
由于对数据保护和相应法律的认识提高，许多数据，特别是涉及敏感个人信息的数据，无法公开访问。因此，许多数据收集机构只公布汇总数据，例如提供总体分布的平均数和选定分位数。然而，研究和科学理解，例如医疗诊断或政策咨询，往往依赖于数据访问。为了克服这种紧张局势，我们提出了一个贝叶斯方法学习分位数信息。该方法基于有限样本的顺序统计量，充分正确地反映了经验分位数的不确定性。在概述了理论之后，我们将我们的方法应用于模拟和现实世界的例子。此外，我们提供了一个基于Python的包，实现了所提出的模型。
2022-04-11 stat.ME stat.ML
Conditional Local Importance by Quantile Expectations
Department of Mathematics & Statistics（数学与统计学系）
提出模型无关的局部变量重要性方法CLIQUE，通过分位数期望捕获局部依赖关系，提升稳定性并直接适用于多类分类问题。
2026-06-17 cs.LG stat.CO stat.ML
Parametric quantile autoregressive conditional duration models with application to intraday value-at-risk
本文提出一种基于对数对称分布分位数重参数化的新ACD模型，可建模不同百分位数的条件久期，并通过最大似然估计、残差诊断和蒙特卡洛模拟验证，最终应用于价格久期数据以推导半参数日内风险价值模型。
2023-08-29 stat.ME stat.ML
Deep Non-Crossing Quantiles through the Partial Derivative
BSC（巴塞罗那超级计算中心）；BBVA（西班牙对外银行）
分位数回归（QR）提供了一种近似单个条件分位数的方法。为了对条件分布进行更详细的描述，QR可以与深度学习技术合并，以同时估计多个分位数。然而，QR-损失函数的最小化不能保证不交叉分位数，这影响了这种预测的有效性，并在某些情况下引入了关键问题。在本文中，我们提出了一种通用的深度学习算法，用于预测任意数量的分位数，确保分位数单调性约束达到机器精度，并保持其相对于替代模型的建模性能。所提出的方法在几个真实世界的数据集上进行评估，获得最先进的结果，并表明它可以扩展到大规模的数据集。
2022-01-30 cs.AI cs.LG math.PR
An efficient model-free estimation of multiclass conditional probability
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
传统的多类条件概率估计方法，如Fisher判别分析和逻辑斯谛回归，往往需要限制性的分布模型假设。本文提出了一种无模型估计方法，通过一系列条件分位数回归函数来估计多类条件概率。具体地，条件类概率被公式化为相应的累积分布函数的差，其中累积分布函数可以从估计的条件分位数回归函数转换。所提出的估计方法也是有效的，因为它的计算成本不会随着类的数量呈指数增长。理论和数值研究表明，所提出的估计方法是非常有竞争力的现有的竞争对手，特别是当类的数量相对较大。
2013-08-01 cs.LG stat.ME stat.ML
Direct Doubly Robust Estimation of Conditional Quantile Contrasts
University of Bristol（布里斯托大学）；Nanjing University（南京大学）；Humboldt University of Berlin（柏林洪堡大学）
本文提出直接双重稳健估计器，用于条件分位数对比的估计，提升估计精度并增强模型可解释性。
2026-01-27 math.ST stat.ME stat.ML
Rectifying Conformity Scores for Better Conditional Coverage
Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学）；Skolkovo Institute of Science（斯克尔科沃科学研究所）；University of Mons（蒙斯大学）；Computing Research Center（计算研究中心）
本文提出一种在分裂共形预测框架下对一致性分数进行可训练变换的新方法，通过估计条件分位数改善条件覆盖并保持精确边际覆盖，在多输出问题中优于现有方法。
2025-08-19 cs.LG math.ST stat.ML
Generative Regression with IQ-BART
本文提出IQ-BART方法，通过BART先验建模条件分位数函数并利用检查损失似然进行非参数贝叶斯推断，实现灵活的无分布生成式回归，能够捕捉预测分布中的多模态性。
2025-07-05 stat.ME stat.ML
Bivariate vine copula based regression, bivariate level and quantile curves
本文利用基于vine copula的二元回归模型的水平曲线构建二元条件分位数，提出一种对称处理双响应变量的图结构模型，有效避免了传统回归缺陷，并在天气数据中验证了联合建模的优势。
2023-07-03 math.ST stat.ME stat.ML
Robust and Agnostic Learning of Conditional Distributional Treatment Effects
Cornell University（康奈尔大学）；Cornell Tech（康奈尔科技）
本文提出一种鲁棒且模型无关的条件分布处理效应学习方法，通过构造伪结果并利用任意回归学习器，在慢速估计讨厌参数下仍能有效学习并推断 CDTE。
2025-06-04 cs.LG econ.EM stat.ME
Multi-Fidelity Quantile Regression
National University of Singapore（新加坡国立大学）
本文提出一种双阶段、模型无关的多保真度分位数回归方法，通过局部分位数链接将高保真度分位数表示为低保真度分位数在协变量依赖水平上的评估，从而估计水平函数以提高估计精度，并通过实验验证方法的有效性。
2026-06-06 stat.AP stat.ME stat.ML
Bayesian Quantile Regression with Subset Selection: A Decision Analysis Perspective
从贝叶斯决策分析视角提出针对分位数回归的估计、不确定性量化与子集选择方法，引入以分位数为中心的平方误差损失实现高效闭式计算，在模拟和真实数据中显著提升了估计精度与变量选择表现。
2024-11-16 math.ST stat.AP stat.CO
Integrating Uncertainty Awareness into Conformalized Quantile Regression
针对现有共形分位数回归未区分偶然与认知不确定性导致高认知不确定区域区间过窄的问题，提出不确定性感知CQR方法，在保留无分布覆盖保证的同时提升了条件覆盖性能。
2024-03-12 stat.ME stat.ML
