Student's t-distribution
PulseAugur coverage of Student's t-distribution — every cluster mentioning Student's t-distribution across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
t分布在贝叶斯神经网络中优于高斯分布
研究人员探讨了不同似然分布对贝叶斯神经网络（BNNs）性能的影响。虽然高斯分布因计算方便常用于模拟BNNs中的不确定性，但本研究调查了替代分布是否能产生更好的结果。研究结果表明，无论数据或网络架构如何，使用t分布作为似然函数都能持续提高预测性能，优于高斯假设。此外，t分布在保持易于实现的同时，还有可能缩短训练时间。
-
新的V折交叉验证法提供了高效的统计推断替代方案
研究人员推出了一种新的统计方法——V折交叉验证法（V-fold jackknife），旨在为半参数推断提供一种计算高效且理论可靠的替代自举法（bootstrap）的方案。该方法仅需V次留一折重拟（leave-fold-out refits），并利用交叉验证法伪值（jackknife pseudo-values）的离散度来估计不确定性，无需影响函数（influence functions）。对于标准的渐近线性估计量，V折交叉验证法统计量…
-
新型AI模型可预测抑郁症严重程度并提供不确定性估计
研究人员开发了PTTSD，一个新颖的概率框架，旨在从临床访谈记录中检测抑郁症的严重程度。该系统利用LSTMs和自注意力机制来预测PHQ-8分数，并提供校准后的不确定性估计以及预测结果。该框架包括用于序列到序列和序列到单点预测的变体，前者允许对访谈期间置信度演变进行时间分析。在E-DAIC和DAIC-WOZ数据集上进行评估，PTTSD在仅文本系统中表现出竞争力，并突出了不确定性感知预测的临床效用。
-
统计学家的 t 分布校正小样本置信区间
本文深入探讨了置信区间的统计概念，特别关注学生 t 分布。文章解释了 William Sealy Gosset 如何以笔名“Student”开发了该分布，以校正从小样本量估计标准差时产生的不确定性。文章提供了计算 90% 置信区间的实用指南和表格，强调了当样本量小时，使用正态分布假设的简单方法会导致区间过窄。文章还提供了一种仅用两个数据点估计标准差的方法。
-
Gosset's t分布校正小样本统计区间
William Sealy Gosset以“Student”为笔名发表文章，彻底改变了啤酒酿造等工业应用的统计分析。他开发了Student's t分布，用于在样本标准差未知时校正置信区间计算。该方法考虑了估计标准差的不确定性，从而提供更准确的区间，尤其是在样本量较小的情况下。