Christopher Hazard

新理论提出通过测量不确定性进行无模型学习

Christopher Hazard 在 arXiv 上发表了一篇新论文，详细介绍了一种基于实例的无模型学习框架。该方法利用“意外度”或信息论中的不确定性来分析原始数据，旨在减少偏差并提高可解释性。该框架旨在适应各种机器学习任务，包括生成推理、因果发现和时间序列预测，并在异常检测和某些监督学习任务中具有达到最先进性能的潜力。作者认为这种“信息物理学”可以为可理解和可扩展的 AI 提供基础。