English(EN) Variational meta-learning inference for low dimensional neural system identification

新的概率元学习框架提供改进的不确定性量化

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-22 04:00

研究人员开发了流形元学习框架的概率扩展，利用了分摊变分推理。这种新方法学习低维参数流形上的生成先验，从而在低数据场景中实现更准确的不确定性量化。在静态回归任务和Bouc--Wen动力学系统上进行测试时，该方法在预测精度上与确定性前身相当，同时提供了校准的不确定性界限。 AI

影响元学习的这种概率扩展可以提高AI模型在数据稀缺环境中的可靠性，特别是在复杂系统识别方面。

排序理由学术论文发布在arXiv上，详细介绍了一种新的机器学习方法。[lever_c_demoted from research: ic=1 ai=1.0]

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

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Matteo Rufolo, Dario Piga, Marco Forgione · 2026-07-22 04:00

低维神经系统识别的变分元学习推理

arXiv:2607.18965v1 Announce Type: cross Abstract: Deep learning has proven highly effective for nonlinear system identification, but heavily parameterized neural networks are prone to overfitting in low-data regimes and lack reliable uncertainty quantification. The recently devel…