PulseAugur
中
实时 07:10:07
English(EN) Structurally Separated Uncertainty in Supervised Latent Variable Models

新方法在结构上分离潜变量模型中的不确定性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了一种名为“结构分离”的新方法，用于区分监督潜变量模型中的认知不确定性和偶然不确定性。该方法为每个不确定性分量分配不同的参数路径和监督目标，旨在降低它们之间的相关性。在五个基准测试上的实验表明，该技术在保持预测性能的同时有效分离了认知和偶然估计，暗示了这两种不确定性类型之间更可操作的区别。 AI

影响 这项研究通过更好地区分不同类型的不确定性，提供了一种提高AI模型可解释性和可靠性的新方法。

排序理由 该集群包含一篇研究论文，详细介绍了机器学习模型中不确定性估计的新方法。[lever_c_demoted from research: 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 →

新方法在结构上分离潜变量模型中的不确定性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Tanmoy Mukherjee, Marius Kloft, Pierre Marquis, Zied Bouraoui ·

    监督潜在变量模型中的结构化分离不确定性

    arXiv:2602.11219v2 Announce Type: replace Abstract: Predictive uncertainty is commonly decomposed into epistemic and aleatoric components, but standard decompositions often produce strongly correlated estimates because both quantities are derived from the same predictive distribu…

相关实体

相关话题