Normal--Inverse--Gamma distribution
PulseAugur coverage of Normal--Inverse--Gamma distribution — every cluster mentioning Normal--Inverse--Gamma distribution across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的AI方法ELECTRIC通过不确定性预测增强CT重建
研究人员开发了ELECTRIC，这是一种新颖的物理引导贝叶斯公式，用于计算机断层扫描（CT）重建。该方法利用证据神经网络生成图像建议并预测认知不确定性，然后用于创建迭代重建的自适应精度场。该系统将先验置信度视为一个学习到的状态变量，从而显著降低了重建误差并提高了测量一致性。
-
新AI框架增强了可信的蛋白质-配体结合亲和力预测
研究人员开发了RELIABLE-BA，一个用于预测蛋白质-配体结合亲和力的新颖框架，该框架增强了计算药物发现的可靠性。这种证据方法将对接引擎建模为使用正态-逆伽马分布的专家，并根据分子上下文调整其不确定性。通过融合这些专家，并关注个体不确定性和引擎间分歧，RELIABLE-BA在实现具有竞争力的预测准确性的同时，显著提高了不确定性校准。这使得能够可靠地过滤高置信度配对，将预测误差降低高达25%，并为AI指导的药物发现提供了原则性的途径。
-
新AI框架通过不确定性量化增强中风评估
研究人员开发了证据灌注物理信息神经网络（EPPINN），以提高急性缺血性中风评估中计算机断层扫描灌注（CTP）成像的准确性和可靠性。该新框架将证据深度学习与物理信息建模相结合，以量化物理约束中的不确定性，解决了现有确定性方法的一个关键限制。EPPINN使用基于坐标的网络对灌注参数进行建模，并在物理残差上放置一个正态-逆伽马分布，以表征体素级不确定性，而无需进行贝叶斯采样。在模型数据、基准数据集和临床数据上的评估表明，EPPINN在具有…
-
AI模型利用视觉脚本特征精确测定历史手稿年代
研究人员开发了一种新颖的概率方法，利用视觉脚本特征来测定历史手稿的年代。该方法将手稿测年视为连续年份轴上的证据深度回归问题，使神经网络能够输出具有分解不确定性的预测分布。该模型结合了EfficientNet-B2骨干网络和Normal-Inverse-Gamma头部，在DIVA-HisDB基准测试上实现了5.4年的平均绝对误差，显著优于先前的方法，并且在较低的推理成本下提供了更好的校准。