关键词distributional uncertainty
搜索结果 - 3
- 基于分层狄利克雷过程的分布鲁棒优化中的力量借助
该论文介绍了一种新颖的优化框架,用于解决现代机器学习应用中的关键挑战:高维度、分布不确定性和数据异质性。该方法通过使用分层狄利克雷过程(HDP)先验,有效处理多源数据,实现正则化、分布鲁棒性,并在不同但相关的数据生成过程之间共享强度。通过建 - 分布稳健的贝叶斯积分优化
本研究针对具有分布不确定性的贝叶斯积分优化问题使用分布鲁棒优化视角,提出了一种基于后验抽样的算法(DRBQO),旨在最大化最对抗分布下的预期目标,并通过贝叶斯遗憾度量其理论收敛性。我们在合成和真实世界问题中展示了我们提出的框架的实证有效性。
- 利用先验网络进行预测不确定性估计
该研究提出了一种名为 Prior Networks(PNs)的框架来模型化分类任务中的数据和分布不确定性,并在 MNIST 数据集上实现了对 OOD 样本的识别和误分类的检测,与之前的方法相比,PNs 具有更好的表现。