PulseAugur
中
实时 02:46:36
English(EN) Pre-trained Tabular Foundation Models as Versatile Summary Networks for Neural Posterior Estimation

表格基础模型适用于贝叶斯推断

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为PFN-NPE的新方法，该方法利用预训练的表格基础模型（特别是TabPFN）作为贝叶斯推断的摘要网络。该方法通过上下文学习来适应这些模型，以处理模拟观测并估计后验分布。虽然PFN-NPE在各种基于模拟的推断场景中都显示出有效性，并且通常能保留关键的后验信息，但在捕捉完整的联合后验结构方面可能存在局限性。 AI

影响 引入了一种使用预训练模型进行贝叶斯推断的新颖方法，有望提高科学模拟的效率和准确性。

排序理由 该集群包含一篇学术论文，详细介绍了使用预训练模型进行神经网络后验估计的新方法。[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 →

表格基础模型适用于贝叶斯推断

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Sidharth Satya ·

    Pre-trained Tabular Foundation Models as Versatile Summary Networks for Neural Posterior Estimation

    In this work, we study TabPFN as a training-free, modular summary network for simulation-based Bayesian inference (SBI). Tabular foundation models such as TabPFN are pretrained on broad families of synthetic tabular data-generating processes and adapt at test time through in-cont…

相关实体

相关话题