研究人员开发了一种名为Decoupled PFNs的新方法，以更好地区分认知不确定性（模型知识的不确定性）和随机不确定性（数据中的固有噪声）。这对于主动学习和贝叶斯优化等应用至关重要，在这些应用中，优先考虑模型知识是关键。通过训练一个具有分离的潜在信号和噪声头部的解耦网络，该方法旨在提高在嘈杂环境中的决策能力。 AI
影响 通过更好地分离模型不确定性和数据噪声，改进了顺序任务中的决策能力。
排序理由 该集群包含一篇关于新研究方法的arXiv预印本。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2605.06413v1 Announce Type: cross Abstract: Prior-Fitted Networks (PFNs) amortize Bayesian prediction by meta-learning over a synthetic task prior, but their standard output is a posterior predictive distribution over noisy observations. For sequential decision-making, such…
Prior-Fitted Networks (PFNs) amortize Bayesian prediction by meta-learning over a synthetic task prior, but their standard output is a posterior predictive distribution over noisy observations. For sequential decision-making, such as active learning and Bayesian optimization, acq…