multivariate-analysis

一篇伦敦大学学院（UCL）的论文提出了 MAPS，这是一种与模型无关的指标，用于量化多变量时间序列预测任务的内在可预测性。该指标在合成数据集和真实世界数据集上与 66 种基准度量进行了比较评估，与参考可预测性呈高度相关（r=0.963）。

本文提出了一种针对保形椭球体的尾部感知几何学习框架，该框架将尾部敏感性与覆盖保证解耦，从而改进了多变量设置下的不确定性量化。

ChorusTIC是一个用于多元时间序列分类的免训练基础模型，它利用上下文学习来处理异构通道配置，无需目标任务更新，在标准基准测试中展现出强大性能。

本文提出了DeMTS，一个将扩散语言模型中的去噪轨迹视为多元时间序列以改进幻觉检测的框架，在强健性和效率方面优于现有方法。

本文评估了用于识别区域供热系统数据中异常运行的不同多变量离群值检测方法（Z-score、马氏距离、PCA、孤立森林和Hotelling T-squared），并提出了一种基于表现最佳方法之间一致性的集成方法。

关于机器学习中多元概率模型的讨论帖。

这篇博客探讨了机器学习与神经科学的交叉领域，特别关注利用多元分类技术分析神经影像数据，以理解大脑功能和行为。