PulseAugur
中
实时 15:12:41
English(EN) Honest Physical-Support Inference after Latent Dictionary Learning: Collision Singularities and Minimax Resolution

潜字典学习后物理支撑推断的新框架

作者 PulseAugur 编辑部 · [1 个来源] ·

本文提出了一种在潜字典学习后推断物理支撑的新框架，解决了从稀疏混合物中学习字典时得出过于自信结论的问题。所提出的方法保留了与鲁棒训练矩区域兼容的字典，分析测试表示，并将幸存的配置投影到排列不变支撑空间。通过表征统计成本和决策理论收益，该方法能够进行诚实、分辨率自适应的支撑声明，指导训练与测试测量值的分配。 AI

影响 引入了一个新颖的统计框架，用于提高机器学习模型推断的准确性，特别是在涉及稀疏数据的情况下。

排序理由 该条目是提交到arXiv cs.LG的学术论文。[lever_c_降级自研究：ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

潜字典学习后物理支撑推断的新框架

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Guan-Ju Peng ·

    潜字典学习后的诚实物理支持推理：碰撞奇点与最小最大分辨率

    arXiv:2607.16813v1 Announce Type: new Abstract: Sparse-support uncertainty is usually quantified by treating the dictionary as known, an assumption that can produce overconfident, label-dependent conclusions when the dictionary is learned from latent sparse mixtures. Near collisi…

相关实体

相关话题