:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wood, Kieran, Zohren, Stefan, Roberts, Stephen J.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2605.19231
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

DeePM: Regime-Robust Deep Learning for Systematic Macro Portfolio Management
von: Wood, Kieran, et al.
Veröffentlicht: (2026)

Few-Shot Learning Patterns in Financial Time-Series for Trend-Following Strategies
von: Wood, Kieran, et al.
Veröffentlicht: (2023)

Deep Learning for Financial Time Series: A Large-Scale Benchmark of Risk-Adjusted Performance
von: Saly-Kaufmann, Adir, et al.
Veröffentlicht: (2026)

Deep Learning for Options Trading: An End-To-End Approach
von: Tan, Wee Ling, et al.
Veröffentlicht: (2024)

DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions
von: Moreno-Pino, Fernando, et al.
Veröffentlicht: (2022)

On Sequential Bayesian Inference for Continual Learning
von: Kessler, Samuel, et al.
Veröffentlicht: (2023)

Realised Volatility Forecasting: Machine Learning via Financial Word Embedding
von: Rahimikia, Eghbal, et al.
Veröffentlicht: (2021)

Signature-Informed Transformer for Asset Allocation
von: Hwang, Yoontae, et al.
Veröffentlicht: (2025)

Marginalization Consistent Probabilistic Forecasting of Irregular Time Series via Mixture of Separable flows
von: Yalavarthi, Vijaya Krishna, et al.
Veröffentlicht: (2024)

Unlocking the Power of LSTM for Long Term Time Series Forecasting
von: Kong, Yaxuan, et al.
Veröffentlicht: (2024)

Evolving Multi-Scale Normalization for Time Series Forecasting under Distribution Shifts
von: Qin, Dalin, et al.
Veröffentlicht: (2024)

Scalable Dynamic Mixture Model with Full Covariance for Probabilistic Traffic Forecasting
von: Choi, Seongjin, et al.
Veröffentlicht: (2022)

Deep and Probabilistic Solar Irradiance Forecast at the Arctic Circle
von: Erdmann, Niklas, et al.
Veröffentlicht: (2024)

Better Batch for Deep Probabilistic Time Series Forecasting
von: Zheng, Vincent Zhihao, et al.
Veröffentlicht: (2023)

Dynamic Mixture of Experts Against Severe Distribution Shifts
von: Kim, Donghu
Veröffentlicht: (2025)

MaxEnt Loss: Constrained Maximum Entropy for Calibration under Out-of-Distribution Shift
von: Neo, Dexter, et al.
Veröffentlicht: (2023)

Rethinking Adam for Time Series Forecasting: A Simple Heuristic to Improve Optimization under Distribution Shifts
von: Dong, Yuze, et al.
Veröffentlicht: (2026)

ShiftKD: Benchmarking Knowledge Distillation under Distribution Shift
von: Zhang, Songming, et al.
Veröffentlicht: (2023)

Deep Generative Spatiotemporal Engression for Probabilistic Forecasting of Epidemics
von: Pathak, Rajdeep, et al.
Veröffentlicht: (2026)

Theory-inspired Label Shift Adaptation via Aligned Distribution Mixture
von: Fan, Ruidong, et al.
Veröffentlicht: (2024)

When Dimensionality Hurts: The Role of LLM Embedding Compression for Noisy Regression Tasks
von: Drinkall, Felix, et al.
Veröffentlicht: (2025)

Detecting Changes in Causal Dependence with Kernels and Copulas
von: Gavioli-Akilagun, Shakeel, et al.
Veröffentlicht: (2026)

A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation
von: Zhang, Kexin, et al.
Veröffentlicht: (2024)

Deep Reinforcement Learning for Robotic Manipulation under Distribution Shift with Bounded Extremum Seeking
von: Saxena, Shaifalee, et al.
Veröffentlicht: (2026)

Noise Titration: Exact Distributional Benchmarking for Probabilistic Time Series Forecasting
von: Wang, Qilin
Veröffentlicht: (2026)

Trustworthy Machine Learning under Distribution Shifts
von: Huang, Zhuo
Veröffentlicht: (2025)

Optimal Classification under Performative Distribution Shift
von: Cyffers, Edwige, et al.
Veröffentlicht: (2024)

Density-Regression: Efficient and Distance-Aware Deep Regressor for Uncertainty Estimation under Distribution Shifts
von: Bui, Ha Manh, et al.
Veröffentlicht: (2024)

Probabilistic Forecasting of Irregular Time Series via Conditional Flows
von: Yalavarthi, Vijaya Krishna, et al.
Veröffentlicht: (2024)

RoME: Domain-Robust Mixture-of-Experts for MILP Solution Prediction across Domains
von: Pu, Tianle, et al.
Veröffentlicht: (2025)

OceanCBM: A Concept Bottleneck Model for Mechanistic Interpretability in Ocean Forecasting
von: Suri, Sanah, et al.
Veröffentlicht: (2026)

Adaptive Regime-Switching Forecasts with Distribution-Free Uncertainty: Deep Switching State-Space Models Meet Conformal Prediction
von: LU, Echo Diyun, et al.
Veröffentlicht: (2025)

Graphs Generalization under Distribution Shifts
von: Tian, Qin, et al.
Veröffentlicht: (2024)

Forecasting the Past: Gradient-Based Distribution Shift Detection in Trajectory Prediction
von: De Vita, Michele, et al.
Veröffentlicht: (2026)

Deep Probabilistic Modeling of User Behavior for Anomaly Detection via Mixture Density Networks
von: Dai, Lu, et al.
Veröffentlicht: (2025)

Transfer Learning for Loan Recovery Prediction under Distribution Shifts with Heterogeneous Feature Spaces
von: Gerling, Christopher, et al.
Veröffentlicht: (2026)

GeSS: Benchmarking Geometric Deep Learning under Scientific Applications with Distribution Shifts
von: Zou, Deyu, et al.
Veröffentlicht: (2023)

XRMDN: An Extended Recurrent Mixture Density Network for Short-Term Probabilistic Rider Demand Forecasting with High Volatility
von: Li, Xiaoming, et al.
Veröffentlicht: (2023)

Whitening Spherical Gaussian Mixtures in the Large-Dimensional Regime
von: Boudjemaa, Mohammed Racim Moussa, et al.
Veröffentlicht: (2025)

GraphMETRO: Mitigating Complex Graph Distribution Shifts via Mixture of Aligned Experts
von: Wu, Shirley, et al.
Veröffentlicht: (2023)