Predictive uncertainty
PulseAugur coverage of Predictive uncertainty — every cluster mentioning Predictive uncertainty across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究应对知识图谱嵌入的挑战与不确定性
两篇新的arXiv论文深入探讨了知识图谱嵌入（KGE）和表示学习的复杂性。第一篇论文介绍了KGATE，这是一个模块化的Python库，旨在通过提供一个灵活的框架来组装各种组件，从而简化KGE模型的训练和比较。第二篇论文解决了KGE中不确定性的关键问题，提出了量化和管理算法及预测不确定性的方法，以提高高风险应用中KGE预测的可靠性。
-
LLM不确定性信号可对网络配置翻译进行风险排序
研究人员开发了一种评估大型语言模型（LLM）生成网络配置相关风险的方法。通过分析预测不确定性和令牌级熵，他们可以对潜在的风险翻译进行排序，并精确定位LLM输出中的歧义来源。该方法在经过针对Juniper EX3300交换机微调的Llama 3.1 8B-Instruct模型上进行了测试，有望提高部署LLM生成网络配置的安全性。
-
研究人员建议不要在机器学习中使用高斯核
最近的一篇论文认为，在回归和分类等机器学习任务中不应广泛使用高斯核。作者认为，这种核（也称为平方指数核或径向基函数核）会导致条件方差不切实际地小，从而导致预测不确定性过度自信。此外，这种平滑性会导致数值病态，在实际应用中需要引入金块项等变通方法。该论文广泛建议由于这些问题而避免使用解析核。
-
新的稀疏高斯过程框架解决了分位数回归的挑战
研究人员开发了一种新颖的稀疏高斯过程框架，以解决贝叶斯分位数回归中的计算挑战。这种新方法利用了较少的诱导变量集和用于后验推断的拉普拉斯近似。该框架通过预测不确定性的分解，结合了诱导输入填充和数据采集的自适应机制，以有效分配计算资源和管理模型复杂性。