Otimização da regressão quantílica multitarefa via redes neurais

Abstract

Investiga-se a Regressão Quantílica (RQ) por meio de Redes Neurais Profundas (RNPs), enfatizando a arquitetura multitarefa de um único estágio RQRN1E. Para estimar quantis condicionais de forma eficiente e robusta, adota-se um fluxo de treinamento que combina Otimização Bayesiana para seleção sistemática de hiper-parâmetros com regularizações modernas—Locked-Dropout, penalização espectral, ruído aditivo nos atributos e Sharpness-Aware Minimization—implementadas em PyTorch. Avaliações empíricas em três conjuntos de dados públicos (Yacht Hydrodynamics, Boston Housing e Diamonds) revelam que a RQRN1E supera tanto a variante de dois estágios (RQRN2E) quanto um modelo gaussiano (RGRN). Observaram-se reduções médias de 10 % em RMSE e de 30-60 % na Pinball Loss, cobertura empírica aproximada de 95% com erro de calibração inferior a 0,02 e ausência de cruzamentos de quantis, tudo isso com tempo de treinamento 35-50 % menor que o arranjo em dois estágios. Os resultados consolidam a RQRN1E como opção robusta para cenários heterocedásticos, com outliers ou interesse em extremos.