论文揭示条件流模型将认知不确定性转化为表观偶然方差
热点事件持续更新
论文揭示条件流模型将认知不确定性转化为表观偶然方差
1 篇报道1 个报道来源1 小时前更新
先了解这件事
AI 综述
Navodita Sharma 等人在 arXiv 提交论文，系统分析条件流模型（CFM）在回归任务中的样本方差现象，发现 CFM 样本的方差常大于真实条件分布，即使问题近乎确定性。作者将这一多余方差解释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显示，该多余方差随训练或数据量增加而下降，并且可用于构建覆盖真实回归目标的高覆盖率预测集合。
AI 根据报道生成 · 51 分钟前更新
最新进展10月23日 12:00
条件流模型会将认知不确定性转化为表观偶然方差报道时间线
沿着报道，了解事件的不同侧面。
10月23日
- arXiv cs.AI条件流模型会将认知不确定性转化为表观偶然方差
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。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。