条件流模型会将认知不确定性转化为表观偶然方差
Conditional Flow Models Convert Epistemic Uncertainty into Apparent Aleatoric Variance
AI 导读
arXiv 论文研究条件流模型（CFM）在回归类任务中产生的条件分布携带哪些超出点预测器的信息。作者发现系统性现象：即使近乎确定性的回归问题中，CFM 样本的方差也常大于真实条件分布，多余的方差可视为拟合中的认知不确定性被转化为表观偶然方差。合成与真实数据实验表明该方差随训练或数据增加而下降，并可用于构建覆盖真实回归目标的高覆盖率预测集合。
来源：arXiv cs.AI · arxiv.org