Las partes anteriores de esta serie mostraron que un modelo puede igualar a otro en MSE mientras asume riesgos muy diferentes, y que una cabeza de media y varianza, una vez desplegada en el tiempo, sigue suponiendo una única campana simétrica. Esta parte se centra en la forma de la incertidumbre. Para señales que derivan y oscilan, una campana es una descripción razonable. Para señales que pueden saltar, cambiar de régimen o quedarse sobre un umbral y moverse en cualquier dirección, no lo es. Un modelo puede tener exactamente la media y la varianza correctas y, aun así, describir un futuro que nunca ocurre.
El artículo pasa de una campana a una mezcla de varias y, después, a infinitas, que pueden expresar cualquier forma pero son difíciles de entrenar. Los modelos de difusión ofrecen una salida: se añade ruido gradualmente a la señal y luego una red lo elimina, aprendiendo qué restar en cada paso. La pérdida de entrenamiento resultante resulta ser MSE, y el artículo explica por qué eso es aceptable aquí. Un valor de pronóstico se obtiene entonces muestreando a través de este proceso de eliminación de ruido aprendido.
La cabeza de difusión se conecta a la simulación muestreada de la Parte II sin cambiar nada más. El autor subraya que la explicación es deliberadamente exhaustiva, que no se requiere conocimiento previo de modelos de difusión y que un cuaderno complementario reproduce todas las figuras. Un mapa de nueve paradas guía al lector por la teoría antes de presentar los datos y los experimentos.
Entidades clave: Empresas: Towards Data Science
Pregunta: ¿Por qué un pronóstico con la media y la varianza correctas puede seguir siendo engañoso?
Respuesta: La media y la varianza describen una única campana simétrica. Para señales que pueden saltar, cambiar de régimen o dividirse entre resultados, esa forma puede producir pronósticos que parecen estadísticamente sólidos pero describen futuros que nunca llegan a ocurrir. Los modelos de difusión abordan esto aprendiendo la forma completa de la distribución.
Fuente: Towards Data Science · Resumido por HeadlinesBriefing