关键词predictive uncertainty quantification
搜索结果 - 3
- 贝叶斯神经网络的隐式生成先验
本文提出了一种新颖的神经自适应经验贝叶斯(NA-EB)框架,该框架结合了变分推断和梯度上升算法,以实现同步超参数选择和后验分布的近似,从而提高计算效率,并通过对各种任务的广泛评估展示了我们提出框架在预测准确性和不确定性量化方面的优越性。
- 拉普拉斯重现 —— 无需费力的贝叶斯深度学习
本文介绍了一种叫做 Laplace approximation (LA) 的 Bayesian 神经网络逼近算法,该算法可以实现更好的不确定性估计和模型选择,并通过实验证明其在计算成本上具有优势。
- 无需标记数据的高维代理建模和不确定性量化的物理约束深度学习
提出一种基于物理约束深度学习的建模和不确定性量化方法,避免深度学习在小样本问题上的跨度不足,可以用于偏微分方程系统的解决和预测推断,并提供一些解释和量化手段。