新的信息几何方法提高了变分推断的准确性

一篇新论文介绍了自然梯度消息传递（NGMP），一种新颖的变分推断技术，它在 Forney 风格的因子图上提供了一种边缘局部形式。该方法源自 Bethe 自由能，将选定的边缘边际约束在一个指数族内，从而产生一个 stationary 条件，即边的自然参数等于投影消息的总和。NGMP 与变分消息传递不同之处在于，它保留了接收族可以表示的确切消息的一部分，从而提高了准确性，尤其是在存在持续不确定性的情况下，例如部分观测到的潜在链或连续数据批次。在泊松平滑、异方差回归和每小时 ETTh 预测等任务上的实验表明，NGMP 在提高不确定性校准方面是有效的。 AI

影响 引入了一种新颖的变分推断技术，提高了预测和回归任务中的不确定性校准。

排序理由 该集群包含一篇研究论文，详细介绍了一种新的变分推断方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• ETTh forecasting
• exponential family
• Forney-style factor graph
• heteroskedastic regression
• Mykola Lukashchuk
• Natural-Gradient Message Passing
• Poisson smoothing
• Variational message passing

• 论文
• 模型发布

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