確率的予測モデルの学習時にテール校正を強制する

アブストラクト: 確率予測は通常、最先端の統計モデルおよび機械学習モデルを用いて得られ、モデルパラメータは訓練データの集合に対して適切なスコアリングルールを最適化することで推定されます。モデルクラスが正しく指定されていない場合、学習されたモデルが必ずしも較正された予測（キャリブレーションされた予測）を発行するとは限りません。較正された予測は、意思決定におけるリスクのバランスを利用者が適切に調整することを可能にし、とりわけ極端な事象に対して予測モデルが較正された予測を発行することが重要です。なぜなら、そのような結果はしばしば大きな社会経済的影響を生むからです。本研究では、確率予測モデルを学習するために用いられる損失関数を、極端な事象に対して行われる予測の信頼性を改善するようにどのように適応できるかを検討します。重み付きスコアリングルールに基づく損失関数を調査し、さらにテール（裾部）のミスキャリブレーションの尺度を用いて損失関数を正則化することも提案します。これらの手法を、英国の風速に対する、ますます柔軟な予測モデルの階層に適用します。そこには、単純なパラメトリックモデル、分布回帰ネットワーク、条件付き生成モデルが含まれます。最先端のモデルは極端な風速に対して較正された予測を発行しないこと、そして学習時の損失関数への適切な適応によって、極端事象に対する予測の較正を改善できることを示します。これにより、極端事象に対する較正された予測と、より一般的な結果に対する較正された予測との間にトレードオフが生じることを示します。