PulseAugur
中
实时 01:07:19
实体 Prior-Fitted Networks

Prior-Fitted Networks

PulseAugur coverage of Prior-Fitted Networks — every cluster mentioning Prior-Fitted Networks across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
3
90 天内 5
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 5
层级分布 · 90 天
主题
情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 5 条
  1. TOOL · CL_344435 ·

    新模型使用合成数据进行贝叶斯生存分析

    研究人员推出了一种新颖的摊销贝叶斯生存分析方法——Survival In-Context (SIC)。该方法利用预先拟合的范式,在合成数据上进行预训练,从而实现高效的上下文学习,用于事件发生时间建模。SIC旨在通过在单次前向传播中近似贝叶斯后验预测推断,而无需针对特定任务进行训练,来解决医学应用中的挑战,例如数据有限和复杂的协变量交互。

  2. TOOL · CL_284641 ·

    先验拟合网络通过上下文学习实现统计自适应

    研究人员分析了像TabPFN这样的先验拟合网络(PFNs)如何在学习中实现统计自适应。在一个受控的位置估计问题中,他们发现PFNs能够学习区分不同的数据生成模型(如高斯分布或均匀分布),并相应地调整其估计策略。研究表明,这些网络中的注意力机制计算经验累积量生成函数的导数,使它们能够形成在样本均值和中程之间进行插值的估计器。通过混合或门控线性单元组合注意力专家,并分析梯度流,研究表明PFNs通过充分的预训练可以在各种任务中实现近乎最优的性能。

  3. TOOL · CL_293185 ·

    先验拟合网络在AI模型中实现统计适应性

    本文介绍了先验拟合网络(PFNs)作为一种实现统计适应性的方法,在无需了解数据来源先验知识的情况下,其表现几乎与各种数据模型的专用方法一样好。该研究通过一个受控的定位估计问题,分析了PFNs如何学习这种适应性,证明了它们区分高斯和均匀数据分布以及在样本均值和中值估计器之间进行插值的能力。实验表明,PFNs在高斯任务上可实现渐近效率,在混合任务上可实现接近最优的速率,风险分解阐明了架构对专家和路由误差的贡献。

  4. RESEARCH · CL_84372 ·

    CRUMB 通过上下文批处理提高 PFN 推理效率

    研究人员开发了 CRUMB,这是一种新颖的推理包装器,旨在提高先验拟合网络 (PFN) 的效率。PFN 是强大的表格基础模型,可以执行上下文学习,但其自注意力机制会导致大型数据集的计算成本高昂的推理。CRUMB 通过聚类测试查询、使用 MMD 最小化选择分布匹配的训练子集,然后在这些缩减的批次上执行推理来解决这个问题。该方法与架构无关,在 TabArena 基准测试上显示出优于现有上下文选择策略的性能,并且对协变量漂移具有鲁棒性。

  5. RESEARCH · CL_21754 ·

    新的PFNs方法分离认知不确定性和随机不确定性,以改进决策

    研究人员开发了一种名为Decoupled PFNs的新方法,以更好地区分认知不确定性(模型知识的不确定性)和随机不确定性(数据中的固有噪声)。这对于主动学习和贝叶斯优化等应用至关重要,在这些应用中,优先考虑模型知识是关键。通过训练一个具有分离的潜在信号和噪声头部的解耦网络,该方法旨在提高在嘈杂环境中的决策能力。