关键词predictive distributions
搜索结果 - 9
- 神经网络的无模型本地校准
我们提出了一种使用人工神经网络隐藏层提供的输入的降维表示进行局部重新校准的人工神经网络预测分布方法，通过仿真研究证明了我们的方法相对于其他方法具有良好的性能，并探索了基于网络的不同层进行校准定位的益处。最后，我们将我们提出的方法应用于钻石价 - 基于认知神经网络的近似汤普森抽样
本文提出了一种名为 Epistemic 神经网络 (ENN) 的方法，通过准确的联合预测分布来近似输出预测分布来实现 TS，实验结果表明，ENN 可以相对准确地近似 TS，并且 extit {epinet} 可以用更低的计算成本与大型集合 - 深度学习中高阶预测分布的评估
本文提出了一种称为 dyadic sampling 的方法，针对高维度的输入数据，能够有效地区分好坏的预测模型以及评估预测分布的方法或者对比其他算法的性能。
- EMNLP高效的最近邻语言模型
本文探讨了如何提高非参数神经语言模型的效率，实验表明我们的方法能够在保持性能相当的情况下提高 6 倍的推理速度，为以后开发或部署更有效的非参数神经语言模型提供指南。
- 注意力神经过程
该研究提出了一种带有注意力机制的神经流程方法，以解决神经流程的欠拟合问题，从而更准确地预测给定上下文情况下的输出条件分布。
- 学习后预测的点对点可信度审计
文章提出了一种使用机器学习算法进行模型可靠性审计的新算法：RUE，它使用梯度和 Hessian 矩阵等信息，自动构建统计集合，有效地检测预测不准确的情况，并且不依赖于特定的训练算法，且可比 MCD，PBP 和深度集成等算法。
- 利用分段神经语言模型学习发现、建立和使用单词
提出了一种分段神经语言模型，它将神经网络的概括能力与发现在未分段的字符序列中存在的类似单词的单元的能力相结合。在视觉上下文的作用下，此模型不仅可以发现单词的含义，还可以学习单词如何组成句子，并提高其预测准确性。
- 使用堆叠方法对贝叶斯预测分布进行平均
我们提出了一种基于预测分布的 Stacking 方法，利用 Pareto-smooth 重要性采样计算所需的单次观察后验分布和正则化以获得更好的稳定性，比较结果表明我们的方法在计算成本可接受的情况下优于其它方法。
- 集合预报的统计后处理中，预测分布的组合
本文研究根据分布回归方法得到的多个预测分布间的组合方法，以提高来自多次数值天气预报模型运行的同伦性集合预报的准确性。