新方法改进了弯曲数据空间上AI的不确定性量化

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-09 04:00

研究人员开发了一个名为自适应测地线共形预测的新框架，用于改进黎曼流形上回归任务的不确定性量化。该方法利用测地线距离和局部预测难度来创建更准确的误差估计，优于传统的基于欧几里得的方法。在合成数据和地磁场预测上的实验表明，新方法保持了有效的覆盖率并提高了预测准确性。 AI

影响增强了AI模型在复杂、非欧几里得数据环境中的可靠性，这对于科学预测和几何深度学习至关重要。

排序理由该集群包含一篇详细介绍机器学习中不确定性量化新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

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

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Marzieh Amiri Shahbazi, Ali Baheri · 2026-06-09 04:00

基于流形的保角预测的几何感知不确定性量化

arXiv:2602.16015v2 Announce Type: replace Abstract: Conformal prediction gives finite-sample coverage guarantees for regression, but most standard constructions are designed for Euclidean output spaces. When the response lies on a Riemannian manifold, Euclidean residuals and coor…