Gaussian negative log-likelihood
PulseAugur coverage of Gaussian negative log-likelihood — every cluster mentioning Gaussian negative log-likelihood across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新型神经网络加速聚变等离子体诊断的贝叶斯推断
研究人员开发了一种新颖的神经网络框架，旨在加速复杂物理系统的贝叶斯推断，并已将其应用于聚变等离子体诊断。该方法采用双头架构来估计物理发射光谱和测量噪声方差，并优化高斯负对数似然目标。与精确物理模型相比，该方法在汤姆逊散射数据上实现了超过1500倍的加速，并将推断误差降低了20%以上，为实时物理分析提供了有前景的途径。
-
AI模型利用多模态数据预测甜椒产量
研究人员开发了一个新的多模态深度学习框架，用于预测单株植物可收获的甜椒数量。该系统结合了由DinoV3编码器处理的视觉数据和数值果实计数测量，并利用长短期记忆（LSTM）网络来捕捉时间模式。实验表明，与基线模型相比，均方根误差（RMSE）显著降低，并且该框架还使用深度集成（Deep Ensembles）和高斯负对数似然（Gaussian Negative Log-Likelihood）提供了校准的不确定性估计。
-
AI模型利用多模态数据预测甜椒产量
研究人员开发了一个新的多模态深度学习框架来预测甜椒的产量。该框架结合了通过DINOv3编码器处理的视觉数据和数字化的果实计数。利用长短期记忆（LSTM）网络捕捉时间模式，与基线方法相比，该模型显著降低了均方根误差（RMSE）。该系统还集成了深度集成和高斯负对数似然，以提供校准的不确定性估计，从而辅助农业决策。
-
AI模型在血压估算可靠性方面表现出改进
研究人员调查了深度学习模型在光电容积脉搏波描记法（PPG）信号血压估算中不确定性量化的可靠性。研究发现，与蒙特卡洛丢弃法（MCD）相比，深度集成（DE）在领域迁移下提供了更大的鲁棒性。重新校准的高斯负对数似然（GNLL）方法，特别是结合DE和共形预测或温度缩放，为收缩压和舒张压提供了最佳的不确定性校准。