English(EN) DnNP: Denoising Input Uncertainty in Neural Processes

新的DnNP模型解决了神经过程中的输入不确定性问题

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-11 05:00

研究人员开发了去噪神经过程（DnNP），这是神经过程（NP）框架的一个扩展，旨在处理具有内在输入不确定性的真实世界数据。与假设无噪声输入的标准NP不同，DnNP通过变分推理进行训练，以同时去噪损坏的输入并执行元学习。这种双重能力使其对噪声训练数据更加鲁棒，并提高了预测准确性和不确定性量化。在实验中，DnNP在PM2.5空间插值任务上与标准NP相比，显示出显著的改进，均方根误差（RMSE）降低了高达30%，负对数似然（NLL）降低了高达73%。研究人员还提供了理论支持，表明DnNP可以避免影响简单即插即用模型的KL散度中的不可约差距。 AI

影响增强了元学习模型对真实世界噪声数据的鲁棒性，提高了预测和不确定性量化。

排序理由这是一篇详细介绍新模型架构及其理论基础的研究论文。[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 →

本文如何被排名

Signal score: 34 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 这是一篇详细介绍新模型架构及其理论基础的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Fatemeh Tohidian, Chengzhi Shi, Soomi Lee, Matthew Elia, Amy Mueller, Stratis Ioannidis, Jennifer Dy · 2026-11-11 05:00

DnNP：神经过程中的输入不确定性去噪

arXiv:2611.14424v1 Announce Type: new Abstract: Neural Processes (NPs) are flexible meta-learning models capable of uncertainty quantification across diverse applications. However, the standard NP framework assumes access to noise-free inputs. This is unrealistic in many practica…

本文如何被排名

报道来源 [1]

DnNP：神经过程中的输入不确定性去噪

相关实体

相关话题