Hugh Dance

新方法增强了机器学习模型的不确定性量化

研究人员开发了新的理论框架和实用方法来改进机器学习模型的不确定性量化。一篇论文介绍了随机梯度方法的离散时间近似，以准确估计协方差和自相关时间，为大批量或错误指定模型提供更好的调优指导。另一项研究提出了SGLD-Gibbs的统计缩放极限理论，为潜在变量模型提供原则性的超参数调优，从而获得更有意义的不确定性估计。第三篇论文提出了一种基于高斯过程的方法，用于因果干预函数的不确定性量化，提高了高风险应用的可靠性。