SEMF: Supervised Expectation-Maximization Framework for Predicting Intervals

这项工作介绍了监督期望最大化框架（SEMF），这是一个多才多艺且与模型无关的框架，可为具有完整或缺失数据的数据集生成预测区间。SEMF将传统用于无监督学习的期望最大化（EM）算法扩展到监督上下文中，使其能够提取用于不确定性估计的潜在表示。该框架通过对11个表格数据集的广泛实证评估展示了其鲁棒性，在某些情况下实现了比传统分位数回归方法更窄的标准化预测区间和更高的覆盖率。此外，SEMF与现有的机器学习算法（如梯度提升树和神经网络）无缝集成，展示了其在实际应用中的有用性。实验结果突显了SEMF在不确定性量化的最新技术方面推动技术进步的潜力。

本论文旨在提出一种新的框架SEMF，用于生成具有完整或缺失数据集的预测区间，以解决不确定性估计问题。

SEMF扩展了传统的无监督学习中使用的期望最大化算法（EM算法）到监督学习中，以提取用于不确定性估计的潜在表示，并且与现有的机器学习算法（如梯度提升树和神经网络）无缝集成。

论文通过对11个表格数据集的广泛实证评估证明了SEMF的鲁棒性，在某些情况下，比传统的分位数回归方法具有更窄的归一化预测区间和更高的覆盖率。此外，论文还开源了代码。

最近的相关研究包括：1.《A comparative study of deep learning methods for the modeling of spatio-temporal systems》2.《Deep learning for spatio-temporal data mining: A survey》3.《Deep learning for time series classification: a review》