Bayesian bootstrap estimation of ROC curve
PulseAugur coverage of Bayesian bootstrap estimation of ROC curve — every cluster mentioning Bayesian bootstrap estimation of ROC curve across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
ParetoSaddler 优化 LLM 智能体组合，兼顾质量与成本
研究人员开发了一种新颖的优化大型语言模型 (LLM) 智能体组合的方法 ParetoSaddler。该方法将中间候选者晋升与最终部署选择分开，从而可以联合优化响应质量和成本。通过使用贝叶斯自举帕累托支持，ParetoSaddler 识别出在质量或成本方面显示出可信进展的候选者，保留了可能被丢弃的有价值的选项。在 ClawMark 和 GAIA2 基准测试上的评估表明，在降低每项任务成本的同时，质量也得到了显著提高。
-
新的贝叶斯推断框架提供了稳健的统计特性
研究人员开发了一种用于半参数模型中贝叶斯推断的新框架，利用了狄利克雷过程和贝叶斯自举方法。该方法旨在提供具有强大频率统计特性的后验推断，证明后验分布渐近正态分布并集中在真实参数值上。研究详细说明了这些结果所需的具体假设，并通过模拟进行了验证。
-
新的PGBB方法增强了AI统计报告的隐私性
研究人员开发了一种名为私有生成式贝叶斯自举法（Private Generative Bayesian Bootstrap, PGBB）的新方法，用于在报告来自AI系统的统计答案和不确定性时保护个人隐私。PGBB使用贝叶斯无似然框架和一种阻塞策略，将个人分组并分配单一权重，从而加强了差分隐私。该方法在训练过程中使用校准噪声来学习从观测权重到后验样本的私有映射，后续的抽样无需额外的隐私预算。PGBB在模拟和应用于美国人口普查数据时，展示了…
-
新的PGBB方法增强了AI统计报告的隐私性
研究人员开发了一种名为私有生成式贝叶斯自举法（PGBB）的新方法，用于在报告AI系统的统计信息和不确定性时保护个人隐私。PGBB采用分组策略，将个人分组并为每个组分配单一权重，从而隐藏个人贡献。该方法通过在训练过程中添加校准噪声来加强差分隐私，允许后续的后验抽样而不产生额外的隐私成本。该方法在模拟和应用中已证明具有具有竞争力的私有不确定性量化能力，优于其他私有贝叶斯方法。
-
新方法推进机器学习中的不确定性量化 · 跟踪5个来源
研究人员介绍了评估机器学习模型中不确定性量化（UQ）的新方法。一种称为“决策对齐”的方法旨在确保UQ指标与下游决策效用有意义地相关，从而揭示了当前通用指标的缺陷。另一项进展侧重于多模态回归任务的高效UQ，将变分贝叶斯推理扩展到分位数回归和分类恢复等模型。此外，还提出了一种名为Ribbon的可扩展近似方法，该方法通过近似贝叶斯自举方法而不要求重复模型重新拟合，从而提供鲁棒的不确定性量化。