log-normal distribution
PulseAugur coverage of log-normal distribution — every cluster mentioning log-normal distribution across labs, papers, and developer communities, ranked by signal.
-
新的生存模型增强了电子商务的再购预测能力
研究人员开发了一种新的方法，使用生存模型来预测电子商务中的客户再购行为，该模型直接估计再购发生的时间。该方法用一个模型取代了针对不同时间范围的多个二元分类器，显示出更高的效率和性能。研究还发现，在加速失效时间（AFT）模型系列中，校准质量和排名性能之间存在权衡，建议针对不同应用使用不同的模型。
-
新的 cWGAN 方法近似复合损失模型中的后验律
研究人员开发了一种条件 Wasserstein 生成对抗网络 (cWGAN) 来近似复合损失模型中的后验律。这种方法允许单个生成器在各种先验分布下近似泊松强度和帕累托形状等参数的后验律。该方法通过基于模拟的校准、与解析后验和 MCMC 模拟的比较进行了验证，并应用于自然灾害损失数据以分析聚合尾部风险。
-
多智能体LLM交通模式与人类驱动的工作负载不同
一项新的研究论文探讨了多智能体大型语言模型（LLM）系统产生的交通模式，这些模式与传统的人类驱动工作负载有显著不同。研究发现，这些系统内的协调拓扑从根本上塑造了请求到达过程，其中扇出协调引入了双峰性。这些LLM调用的推理阶段最好用对数正态分布来描述，拒绝了泊松指数零模型的适用性。
-
神经形态深度估计使用具有不确定性建模的事件相机
研究人员开发了一种使用事件相机的神经形态单目深度估计方法，事件相机具有高时间分辨率和宽动态范围等优点。他们提出的深度神经网络模型可以预测每像素的深度分布，并使用高斯、对数正态和证据学习框架来估计不确定性。实验表明，不同的事件表示方法表现相似，其中对数正态和证据学习框架取得了最佳结果，证明了不确定性估计成功集成以实现可靠的深度预测。